class Perception:
"""使用Python语言实习感知器算法，实现二分类。"""
def __init__(self,alpha,times):
"""初始化方法。
Parameters
----------
alpha:float
学习率
times：int
最大迭代次数
"""
self.alpha = alpha
self.times = times
def step(self,z):
"""阶跃函数
Parameters
--------
z：多个值为数组类型（或者单个值为标量类型）
阶跃函数的参数，可以根据z的值，返回1或-1（这样实现二分类）
Returns
--------
value:int
如果z>=0，返回1，否则返回-1
"""
# return 1 if z>=0 else 0
return np.where(z>=0,1,-1)
def fit(self,X,y):
"""根据提供的训练数据对模型进行训练
Parameters
-----------
X:类数组类型。形状：[样本数量，特征数量]
待训练的样本数据
y:类数组类型。形状：[样本数量]
每个样本的目标值（分类）
"""
X=np.asarray(X)
y=np.asarray(y)
# 创建权重的向量，长度比特征多1，多出来的为截距
self.w_=np.zeros(1+X.shape[1])#特征数量+1为初始权重数量，初始值均为0
#创建损失列表，用来保存每次迭代后的损失值
self.loss_=[]
#循环指定的次数
for i in range(self.times):
#感知器与逻辑回归的区别，逻辑回归中，适用所有样本计算梯度然后更新权重，
#感知器中，使用单个样本，依次进行计算梯度，更新权重
loss=0
for x,target in zip(X,y):
#计算预测值
y_hat=self.step(np.dot(x,self.w_[1:])+self.w_[0])
loss += y_hat != target
#更新权重
#更新：w(j)=w(j) +学习率*（真实值-预测值） *x(j)
self.w_[0]+= self.alpha * (target-y_hat)
self.w_[1:] += self.alpha * (target-y_hat) * x
#将循环中累计的误差值增加到误差列表当中
self.loss_.append(loss)
def predict(self,X):
"""根据参数传递到样本，对数据进行预测。（1或者-1）
Parameters
============
X:类数组类型，形状为：[样本数量，特征数量]
待预测的样本特征。
Returns
------
result:数组类型
预测的结果值（分类值1或-1）
"""
return self.step(np.dot(X,self.w_[1:])+self.w_[0])class Perception:
"""使用Python语言实习感知器算法，实现二分类。"""
def __init__(self,alpha,times):
"""初始化方法。
Parameters
----------
alpha:float
学习率
times：int
最大迭代次数
"""
self.alpha = alpha
self.times = times
def step(self,z):
"""阶跃函数
Parameters
--------
z：多个值为数组类型（或者单个值为标量类型）
阶跃函数的参数，可以根据z的值，返回1或-1（这样实现二分类）
Returns
--------
value:int
如果z>=0，返回1，否则返回-1
"""
# return 1 if z>=0 else 0
return np.where(z>=0,1,-1)
def fit(self,X,y):
"""根据提供的训练数据对模型进行训练
Parameters
-----------
X:类数组类型。形状：[样本数量，特征数量]
待训练的样本数据
y:类数组类型。形状：[样本数量]
每个样本的目标值（分类）
"""
X=np.asarray(X)
y=np.asarray(y)
# 创建权重的向量，长度比特征多1，多出来的为截距
self.w_=np.zeros(1+X.shape[1])#特征数量+1为初始权重数量，初始值均为0
#创建损失列表，用来保存每次迭代后的损失值
self.loss_=[]
#循环指定的次数
for i in range(self.times):
#感知器与逻辑回归的区别，逻辑回归中，适用所有样本计算梯度然后更新权重，
#感知器中，使用单个样本，依次进行计算梯度，更新权重
loss=0
for x,target in zip(X,y):
#计算预测值
y_hat=self.step(np.dot(x,self.w_[1:])+self.w_[0])
loss += y_hat != target
#更新权重
#更新：w(j)=w(j) +学习率*（真实值-预测值） *x(j)
self.w_[0]+= self.alpha * (target-y_hat)
self.w_[1:] += self.alpha * (target-y_hat) * x
#将循环中累计的误差值增加到误差列表当中
self.loss_.append(loss)
def predict(self,X):
"""根据参数传递到样本，对数据进行预测。（1或者-1）
Parameters
============
X:类数组类型，形状为：[样本数量，特征数量]
待预测的样本特征。
Returns
------
result:数组类型
预测的结果值（分类值1或-1）
"""
return self.step(np.dot(X,self.w_[1:])+self.w_[0])
