import numpy as np
import matplotlib.pyplot as plt#1、创建数据集
def createdata():samples=np.array([[3,-3],[4,-3],[1,1],[1,2]])#4行2列labels=[-1,-1,1,1]return samples,labels#训练感知机模型
class Perceptron:def __init__(self,x,y,a=1):self.x=xself.y=yself.w=np.zeros((x.shape[1],1))#初始化权重，w1,w2均为0self.b=0self.a=1#学习率self.numsamples=self.x.shape[0]self.numfeatures=self.x.shape[1]def sign(self,w,b,x):y=np.dot(x,w)+breturn int(y)def update(self,label_i,data_i):tmp=label_i*self.a*data_itmp=tmp.reshape(self.w.shape)#转换成w的形状。#更新w和bself.w=tmp+self.wself.b=self.b+label_i*self.adef train(self):isFind=Falsewhile not isFind:count=0for i in range(self.numsamples):tmpY=self.sign(self.w,self.b,self.x[i,:])if tmpY*self.y[i]<=0:#如果是一个误分类实例点print ('误分类点为：',self.x[i,:],'此时的w和b为：',self.w,self.b)count+=1self.update(self.y[i],self.x[i,:])#更新if count==0:print ('最终训练得到的w和b为：',self.w,self.b)isFind=Truereturn self.w,self.b#画图描绘
class Picture:def __init__(self,data,w,b):self.b=bself.w=wplt.figure(1)plt.title('Perceptron Learning Algorithm',size=14)plt.xlabel('x0-axis',size=14)plt.ylabel('x1-axis',size=14)xData=np.linspace(0,5,100)#start stop 要生成的样本数，是一个arrayyData=self.expression(xData)#
        plt.plot(xData,yData,color='r',label='sample data')plt.scatter(data[0][0],data[0][1],s=50)plt.scatter(data[1][0],data[1][1],s=50)plt.scatter(data[2][0],data[2][1],s=50,marker='x')plt.scatter(data[3][0],data[3][1],s=50,marker='x')plt.savefig('2d.png',dpi=75)def expression(self,x):#只是为了画出这一条直线。y=(-self.b-self.w[0]*x)/self.w[1]#注意在此，把x0，x1当做两个坐标轴，把x1当做自变量，x2为因变量return ydef Show(self):plt.show()if __name__ == '__main__':samples,labels=createdata()myperceptron=Perceptron(x=samples,y=labels)weights,bias=myperceptron.train()Picture=Picture(samples,weights,bias)Picture.Show()

误分类点为： [ 3 -3] 此时的w和b为： [[0.][0.]] 0
误分类点为： [1 1] 此时的w和b为： [[-3.][ 3.]] -1
最终训练得到的w和b为： [[-2.][ 4.]] 0

import numpy as np
import matplotlib.pyplot as plt#1、创建数据集
def createdata():samples=np.array([[3,-3],[4,-3],[1,1],[1,2]])labels=np.array([-1,-1,1,1])return samples,labels#训练感知机模型
class Perceptron:def __init__(self,x,y,a=1):self.x=xself.y=yself.w=np.zeros((1,x.shape[0]))#1行4列self.b=0self.a=1#学习率self.numsamples=self.x.shape[0]self.numfeatures=self.x.shape[1]self.gMatrix=self.cal_gram(self.x)def cal_gram(self,x):gMatrix=np.zeros((self.numsamples,self.numsamples))for i in range(self.numsamples):for j in range(self.numsamples):gMatrix[i][j]=np.dot(self.x[i,:],self.x[j,:])return gMatrixdef sign(self,w,b,key):y=np.dot(w*self.y,self.gMatrix[:,key])+breturn int(y)def update(self,i):print(i,'@@@iii')self.w[:,i]=self.w[:,i]+self.aself.b=self.b+self.y[i]*self.adef cal_w(self):w=np.dot(self.w*self.y,self.x)return wdef train(self):isFind=Falsewhile not isFind:count=0for i in range(self.numsamples):tmpY=self.sign(self.w,self.b,i)if tmpY*self.y[i]<=0:#如果是一个误分类实例点print('误分类点为：',self.x[i,:],'此时的w和b为：',self.cal_w(),',',self.b)count+=1self.update(i)if count==0:print ('最终训练得到的w和b为：',self.cal_w(),',',self.b)print(self.w)isFind=Trueweights=self.cal_w()return weights,self.b#画图描绘
class Picture:def __init__(self,data,w,b):self.b=bself.w=wplt.figure(1)plt.title('Perceptron Learning Algorithm',size=14)plt.xlabel('x0-axis',size=14)plt.ylabel('x1-axis',size=14)xData=np.linspace(0,5,100)yData=self.expression(xData)plt.plot(xData,yData,color='r',label='sample data')plt.scatter(data[0][0],data[0][1],s=50)plt.scatter(data[1][0],data[1][1],s=50)plt.scatter(data[2][0],data[2][1],s=50,marker='x')plt.scatter(data[3][0],data[3][1],s=50,marker='x')plt.savefig('2d.png',dpi=75)def expression(self,x):y=(-self.b-self.w[:,0]*x)/self.w[:,1]return ydef Show(self):plt.show()if __name__ == '__main__':samples,labels=createdata()myperceptron=Perceptron(x=samples,y=labels)weights,bias=myperceptron.train()Picture=Picture(samples,weights,bias)Picture.Show()

误分类点为： [ 3 -3] 此时的w和b为： [[0. 0.]] , 0
0 @@@iii
误分类点为： [1 1] 此时的w和b为： [[-3. 3.]] , -1
2 @@@iii
最终训练得到的w和b为： [[-2. 4.]] , 0
[[1. 0. 1. 0.]]

import numpy as npx=[[1,2,3],[4,5,6]]
y=[1,2,3]
xy=np.dot(x,y)
print(xy,xy.shape)z=[1,2]
xy2=np.dot(z,x)
print(xy2,xy2.shape)

[14 32] (2,)
[ 9 12 15] (3,)

import numpy as npx=[[1,1,1,1]]
#print(x.shape)
#报错：AttributeError: 'list' object has no attribute 'shape'

y=[1,1,1,1]
#print(y.shape)
#报错：AttributeError: 'list' object has no attribute 'shape'

z=np.array([1,1,1,1])
print(z.shape)
#输出:(4,)

z[2,]=z[2,]+1
print(z)
#输出：[1 1 2 1]

u=np.matrix([1,2,3,4])
print(u.shape)
#输出：(1, 4)

u[:,1]=u[:,1]+1
print(u)
#输出:[[1 3 3 4]]#u[1,]=u[1,]+10
#print(u)
#输出：IndexError: index 1 is out of bounds for axis 0 with size 1print(u[0,])
#输出：[[1 3 3 4]]

u[:,1]=u[:,1]+10
print(u)
#输出：[[ 1 13  3  4]]print(u[0])
#输出：[[ 1 13  3  4]]
#说明：取矩阵的一行是可以使用u[1]或者u[1,]的
#但是取矩阵的一列必须使用:，u[:,1]，否则会报错。