जिस तरह से पेसेप्ट्रॉन समीकरण में निम्नलिखित द्वारा प्रत्येक पुनरावृत्ति में आउटपुट की भविष्यवाणी करता है:
yj=f[wTx]=f[w⃗ ⋅x⃗ ]=f[w0+w1x1+w2x2+...+wnxn]
जैसा कि आपने कहा, आपके वजन में पूर्वाग्रह शब्द । इसलिए, आपको डॉट उत्पाद में आयामों को संरक्षित करने के लिए इनपुट में शामिल करना होगा । w01w⃗ w01
आप आमतौर पर वेट के लिए एक कॉलम वेक्टर के साथ शुरू करते हैं, जो कि एक वेक्टर है। परिभाषा के अनुसार, डॉट उत्पाद के लिए आपको इस वेक्टर को एक वजन वेक्टर प्राप्त करने के लिए स्थानांतरित करना होगा और उस डॉट उत्पाद को पूरक करने के लिए आपको इनपुट वेक्टर की आवश्यकता होगी । इसीलिए उपरोक्त समीकरण में मैट्रिक्स नोटेशन और वेक्टर नोटेशन के बीच बदलाव पर जोर दिया गया है, इसलिए आप देख सकते हैं कि कैसे नोटेशन आपको सही आयाम बताता है।1 × n n × 1n×11×nn×1
याद रखें, यह आपके द्वारा प्रशिक्षण सेट में दिए गए प्रत्येक इनपुट के लिए किया जाता है। इसके बाद, अनुमानित आउटपुट और वास्तविक आउटपुट के बीच त्रुटि को ठीक करने के लिए वेट वेक्टर को अपडेट करें।
निर्णय सीमा के अनुसार, यहाँ मैं यहाँ पाया गया scikit learn code का एक संशोधन है :
import numpy as np
from sklearn.linear_model import Perceptron
import matplotlib.pyplot as plt
X = np.array([[2,1],[3,4],[4,2],[3,1]])
Y = np.array([0,0,1,1])
h = .02 # step size in the mesh
# we create an instance of SVM and fit our data. We do not scale our
# data since we want to plot the support vectors
clf = Perceptron(n_iter=100).fit(X, Y)
# create a mesh to plot in
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
np.arange(y_min, y_max, h))
# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, m_max]x[y_min, y_max].
fig, ax = plt.subplots()
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
# Put the result into a color plot
Z = Z.reshape(xx.shape)
ax.contourf(xx, yy, Z, cmap=plt.cm.Paired)
ax.axis('off')
# Plot also the training points
ax.scatter(X[:, 0], X[:, 1], c=Y, cmap=plt.cm.Paired)
ax.set_title('Perceptron')
जो निम्नलिखित कथानक का निर्माण करता है:
मूल रूप से, विचार एक बिंदु में प्रत्येक बिंदु के लिए एक मूल्य का अनुमान लगाने के लिए है जो हर बिंदु को कवर करता है, और प्रत्येक भविष्यवाणी का उपयोग उचित रंग के साथ करने की साजिश है contourf
।