《統計學習方法》 感知機 例2 2

('第{}次迭代'

.format

(tag)

) w = np.array([0

.,0.

])# print('w={},b={}'.format(w,b))

w = foo(alfa,y,w)

print

('w={},b={}'

.format

(w,b)

) count -=

1for i in

range

(len

(y))

:print

(i)if y[i]

*(w.dot(x[i]

)+ b)

<=0:

alfa[i]+=1

b += y[i]

print

('error classify: '

+str

(i))

print

('alfa={},b={}'

.format

(alfa,b)

)break

alfa=[0. 0. 0.],b=0

第1次迭代
w=[0. 0.],b=0
0error classify: 0
alfa=[1. 0. 0.],b=1
第2次迭代
w=[3. 3.],b=101
2error classify: 2
alfa=[1. 0. 1.],b=0
第3次迭代
w=[2. 2.],b=001
2error classify: 2
alfa=[1. 0. 2.],b=-1
第4次迭代
w=[1. 1.],b=-101
2error classify: 2
alfa=[1. 0. 3.],b=-2
第5次迭代
w=[0. 0.],b=-2
0error classify: 0
alfa=[2. 0. 3.],b=-1
第6次迭代
w=[3. 3.],b=-101
2error classify: 2
alfa=[2. 0. 4.],b=-2
第7次迭代
w=[2. 2.],b=-201
2error classify: 2
alfa=[2. 0. 5.],b=-3
第8次迭代
w=[1. 1.],b=-301
2第9次迭代
w=[1. 1.],b=-301
2第10次迭代
w=[1. 1.],b=-301
2第11次迭代
w=[1. 1.],b=-301
2第12次迭代
w=[1. 1.],b=-301
2第13次迭代
w=[1. 1.],b=-301
2第14次迭代
w=[1. 1.],b=-301
2第15次迭代
w=[1. 1.],b=-301
2第16次迭代
w=[1. 1.],b=-301
2第17次迭代
w=[1. 1.],b=-301
2第18次迭代
w=[1. 1.],b=-301
2第19次迭代
w=[1. 1.],b=-301
2

感知機 統計學習方法

一 感知機適用問題以及它的輸入，輸出，求解方法 1 感知機 perceptron 適用於二類分類問題 該分類問題是線性可分問題 2 感知機模型是線性分類模型 3 感知機的幾何解釋，感知機對應的是乙個超平面 4 輸入 例項的特徵向量 5 輸出 例項的類別，取 1和 1二值 6 求解方法 有監督學習 給...

《統計學習方法》 感知機

最近終於有開始看 統計學習方法 了，畢竟無腦調參確實沒有什麼意義。一方面是作為看書的筆記，一方面作為比部落格或許能起到一點參考作用吧。希望可以日更。由輸入空間到輸出空間的函式 f x si gn w x b f x sign w cdot x b f x s ign w x b 稱為感知機。感知機是...

統計學習方法之感知機

在翻閱知乎時，得知李航所著的 統計學習方法 一書，於是就買了一本，看到csdn上已有大牛都發了相關的部落格，再次贅述就顯得囉嗦了，就直接上乾貨吧，自己用matlab寫的 和一些自己再看書時的小小的理解。感知機是一種二類分類的線性模型模型，是乙個將輸入空間 特徵空間 分成正負兩類的分離超平面。它的更多...