在Perceptron Learning Model的Python实现中将数组传递给numpy.d
发布时间:2020-12-20 13:11:24 所属栏目:Python 来源:网络整理
导读:我正在尝试将单层Perceptron分类器的 Python实现放在一起.我发现Sebastian Raschka的书“Python机器学习”中的例子非常有用,但我对他实现的一小部分有疑问.这是代码: import numpy as np class Perceptron(object): """Perceptron classifier. Parameters -
我正在尝试将单层Perceptron分类器的
Python实现放在一起.我发现Sebastian Raschka的书“Python机器学习”中的例子非常有用,但我对他实现的一小部分有疑问.这是代码:
import numpy as np class Perceptron(object): """Perceptron classifier. Parameters ------------ eta : float Learning rate (between 0.0 and 1.0) n_iter : int Passes over the training dataset. Attributes ----------- w_ : 1d-array Weights after fitting. errors_ : list Number of misclassifications in every epoch. """ def __init__(self,eta=0.01,n_iter=10): self.eta = eta self.n_iter = n_iter def fit(self,X,y): """Fit training data. Parameters ---------- X : {array-like},shape = [n_samples,n_features] Training vectors,where n_samples is the number of samples and n_features is the number of features. y : array-like,shape = [n_samples] Target values. Returns ------- self : object """ self.w_ = np.zeros(1 + X.shape[1]) self.errors_ = [] for _ in range(self.n_iter): errors = 0 for xi,target in zip(X,y): update = self.eta * (target - self.predict(xi)) self.w_[1:] += update * xi self.w_[0] += update errors += int(update != 0.0) self.errors_.append(errors) return self def net_input(self,X): """Calculate net input""" return np.dot(X,self.w_[1:]) + self.w_[0] def predict(self,X): """Return class label after unit step""" return np.where(self.net_input(X) >= 0.0,1,-1) 我无法理解的部分是为什么我们定义net_input()和predict()来获取数组X而不仅仅是一个向量.一切都工作正常,因为我们只是在fit()函数中传递向量xi到predict()(因此也只是将向量传递给net_input()),但是定义函数的逻辑是什么呢?阵列?如果我正确理解模型,我们一次只取一个样本,计算权重向量和与样本相??关的特征向量的点积,我们永远不需要将整个数组传递给net_input()或预测( ). 解决方法
您的担忧似乎是为什么net_input中的X和预测被定义为数组而不是向量(我假设您的定义是我在上面的注释中提到的 – 实际上我会说在这种情况下没有区别) ……是什么让你觉得X是’数组’而不是’向量’?
这里的输入是由你传递函数决定的,所以如果你传递一个向量,X就是一个向量(python使用所谓的duck typing).所以回答这个问题,’为什么net_input和predict被定义为采用数组而不是向量?’……它们不是,它们只是被定义为采用参数X,这是你传递它的任何类型. . 也许你很困惑他将变量名称X重新用作拟合上下文中的2d训练数据数组,但作为其他函数中的单个样本……他们可能共享一个名称,但它们彼此不同,在于不同的范围. (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |