#!/usr/bin/env python# -*- coding: utf-8 -*-##  未命名.py#  #  Copyright 2013 t-dofan 
      
       #  #  This program is free software; you can redistribute it and/or modify#  it under the terms of the GNU General Public License as published by#  the Free Software Foundation; either version 2 of the License, or#  (at your option) any later version.#  #  This program is distributed in the hope that it will be useful,#  but WITHOUT ANY WARRANTY; without even the implied warranty of#  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the#  GNU General Public License for more details.#  #  You should have received a copy of the GNU General Public License#  along with this program; if not, write to the Free Software#  Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston,#  MA 02110-1301, USA.#  #  class Perceptron:    #初始化    def __init__(self,learnrate,w0,w1,b):        self.learnrate = learnrate        self.w0 = w0        self.w1 = w1        self.b = b            #模型    def model(self,x):        result = x[2]*(self.w0*x[0] + self.w1*x[1] + self.b)        return result    #策略    def iserror(self,x):        result = self.model(x)        if result <= 0:            return True        else:            return False                ##算法 ---> 这里的learnrate 代表。。。。。。。。。。。    #调整策略： Wi = Wi + n*wixi    def gradientdescent(self,x):        self.w0 = self.w0 + self.learnrate * x[2] * x[0] #根据调整策略，此处是否需要*x[2] ?         self.w1 = self.w1 + self.learnrate * x[2] * x[1]        self.b = self.b + self.learnrate * x[2]    #训练    def traindata(self,data):        times = 0        done = False        while not done:            for i in range(0,6):                if self.iserror(data[i]):                    self.gradientdescent(data[i])                    times += 1                    done = False                    break                else:                    done = True            print times        print "rightParams:w0:%d,w1:%d,b:%d" %(self.w0 , self.w1 , self.b)    def testmodel(self,x):        result  = self.w0*x[0] + self.w1*x[1] + self.b        if result > 0:            return 1        else:            return -1def main():    p = Perceptron(1,0,0,0)    data = [[3,3,1],[4,3,1],[1,1,-1],[2,2,-1],[5,4,1],[1,3,-1]]     testdata = [[4,4,-1],[1,2,-1],[1,4,-1],[3,2,-1],[5,5,1],[5,1,1],[5,2,1]]    p.traindata(data)    for i in testdata:        print "%d  %d  %d" %(i[0],i[1],p.testmodel(i))            return 0if __name__ == '__main__':    main()
      

 

---恢复内容开始---

    参考：http://www.cnblogs.com/fxjwind/p/3607784.html

    感知机（perceptron)是二类分类的线性分类模型，属于判别模型（直接寻找输入到输出的映射函数，不关心联合概率什么的）。

    感知机模型

    

  假设空间 是定义在特征空间中的所有线性分类模型（linear classification model)或线性分类器(linear classifier)，即函数集合

  

  几何解释为，线性方和wx+b=0，对应于特征空间中的一个分离超平面(separating hyperpalne)，其中w是超平面的法向量，b是超平面的截距，将数据点分为正、负两类

  

---恢复内容结束---

    感知机（perceptron)是二类分类的线性分类模型，属于判别模型（直接寻找输入到输出的映射函数，不关心联合概率什么的）。

    感知机模型

    

  假设空间 是定义在特征空间中的所有线性分类模型（linear classification model)或线性分类器(linear classifier)，即函数集合

  

  几何解释为，线性方和wx+b=0，对应于特征空间中的一个分离超平面(separating hyperpalne)，其中w是超平面的法向量，b是超平面的截距，将数据点分为正、负两类

  

  感知机学习算法的对偶形式

  看的不明白，还是贴图吧