Hai dev,
Perceptron ialah salah satu konsep yang paling mudah dan paling asas dalam pembelajaran mesin. Ia adalah pengelas linear binari yang membentuk asas rangkaian saraf. Dalam siaran ini, saya akan melalui langkah-langkah untuk memahami dan melaksanakan Perceptron dari awal dalam Python.
Jom selami!
A Perceptron ialah algoritma asas untuk pembelajaran penyeliaan pengelas binari. Memandangkan ciri input, Perceptron mempelajari pemberat yang membantu memisahkan kelas berdasarkan fungsi ambang mudah. Begini cara ia berfungsi secara ringkas:
Secara matematik, ia kelihatan seperti ini:
f(x) = w1*x1 w2*x2 ... wn*xn b
Di mana:
Jika f(x) lebih besar daripada atau sama dengan ambang, output ialah kelas 1; jika tidak, ia adalah kelas 0.
Kami hanya akan menggunakan NumPy di sini untuk operasi matriks bagi memastikan perkara itu ringan.
import numpy as np
Kami akan membina Perceptron sebagai kelas untuk memastikan semuanya teratur. Kelas akan merangkumi kaedah untuk latihan dan ramalan.
class Perceptron: def __init__(self, learning_rate=0.01, epochs=1000): self.learning_rate = learning_rate self.epochs = epochs self.weights = None self.bias = None def fit(self, X, y): # Number of samples and features n_samples, n_features = X.shape # Initialize weights and bias self.weights = np.zeros(n_features) self.bias = 0 # Training for _ in range(self.epochs): for idx, x_i in enumerate(X): # Calculate linear output linear_output = np.dot(x_i, self.weights) + self.bias # Apply step function y_predicted = self._step_function(linear_output) # Update weights and bias if there is a misclassification if y[idx] != y_predicted: update = self.learning_rate * (y[idx] - y_predicted) self.weights += update * x_i self.bias += update def predict(self, X): # Calculate linear output and apply step function linear_output = np.dot(X, self.weights) + self.bias y_predicted = self._step_function(linear_output) return y_predicted def _step_function(self, x): return np.where(x >= 0, 1, 0)
Dalam kod di atas:
Kami akan menggunakan set data kecil untuk memudahkan anda memvisualisasikan output. Berikut ialah set data get AND yang mudah:
# AND gate dataset X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) y = np.array([0, 0, 0, 1]) # Labels for AND gate
Sekarang, mari kita latih Perceptron dan uji ramalannya.
# Initialize Perceptron p = Perceptron(learning_rate=0.1, epochs=10) # Train the model p.fit(X, y) # Test the model print("Predictions:", p.predict(X))
Output yang dijangkakan untuk get AND:
import numpy as np
Ini menjadikan kemas kini Perceptron hanya untuk mata tersalah klasifikasi, secara beransur-ansur menolak model lebih dekat kepada sempadan keputusan yang betul.
Visualkan sempadan keputusan selepas latihan. Ini amat membantu jika anda menggunakan set data yang lebih kompleks. Buat masa ini, kami akan memastikan perkara mudah dengan get AND.
Walaupun Perceptron terhad kepada masalah yang boleh dipisahkan secara linear, ia merupakan asas kepada rangkaian saraf yang lebih kompleks seperti Multi-Layer Perceptrons (MLP). Dengan MLP, kami menambah lapisan tersembunyi dan fungsi pengaktifan (seperti ReLU atau Sigmoid) untuk menyelesaikan masalah bukan linear.
Perceptron ialah algoritma pembelajaran mesin yang mudah tetapi asas. Dengan memahami cara ia berfungsi dan melaksanakannya dari awal, kami mendapat cerapan tentang asas pembelajaran mesin dan rangkaian saraf. Keindahan Perceptron terletak pada kesederhanaannya, menjadikannya titik permulaan yang sempurna untuk sesiapa yang berminat dengan AI.
Atas ialah kandungan terperinci Melaksanakan Perceptron dari Scratch dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!