[英]Passing an array to numpy.dot() in Python implementation of Perceptron Learning Model
我正在尝试将单层Perceptron分类器的Python实现放在一起。 我发现Sebastian Raschka的书“Python机器学习”中的例子非常有用,但我对他实现的一小部分有疑问。 这是代码:
import numpy as np
class Perceptron(object):
"""Perceptron classifier.
Parameters
------------
eta : float
Learning rate (between 0.0 and 1.0)
n_iter : int
Passes over the training dataset.
Attributes
-----------
w_ : 1d-array
Weights after fitting.
errors_ : list
Number of misclassifications in every epoch.
"""
def __init__(self, eta=0.01, n_iter=10):
self.eta = eta
self.n_iter = n_iter
def fit(self, X, y):
"""Fit training data.
Parameters
----------
X : {array-like}, shape = [n_samples, n_features]
Training vectors, where n_samples
is the number of samples and
n_features is the number of features.
y : array-like, shape = [n_samples]
Target values.
Returns
-------
self : object
"""
self.w_ = np.zeros(1 + X.shape[1])
self.errors_ = []
for _ in range(self.n_iter):
errors = 0
for xi, target in zip(X, y):
update = self.eta * (target - self.predict(xi))
self.w_[1:] += update * xi
self.w_[0] += update
errors += int(update != 0.0)
self.errors_.append(errors)
return self
def net_input(self, X):
"""Calculate net input"""
return np.dot(X, self.w_[1:]) + self.w_[0]
def predict(self, X):
"""Return class label after unit step"""
return np.where(self.net_input(X) >= 0.0, 1, -1)
我无法net_input()
的部分是为什么我们定义net_input()
和predict()
来获取数组X
而不仅仅是一个向量。 一切都工作正常,因为我们只是在fit()
函数中传递向量xi
到predict()
(因此也只是将向量传递给net_input()
),但是定义函数的逻辑是什么呢?阵列? 如果我正确理解模型,我们一次只取一个样本,计算权重向量和与样本相关的特征向量的点积,我们永远不需要将整个数组传递给net_input()
或predict()
。
您的担忧似乎是为什么net_input中的X和预测被定义为数组而不是向量(我假设您的定义是我在上面的注释中提到的 - 实际上我会说在这种情况下没有区别) ......是什么让你觉得X是'数组'而不是'向量'?
这里的输入是由你传递函数决定的,所以如果你传递一个向量,X就是一个向量(python使用所谓的duck typing)。 所以回答这个问题,'为什么net_input和predict被定义为采用数组而不是向量?'......它们不是,它们只是被定义为采用参数X,这是你传递它的任何类型。 。
也许你很困惑他将变量名称X重新用作拟合上下文中的2d训练数据数组,但作为其他函数中的单个样本......他们可能共享一个名称,但它们彼此不同,在于不同的范围。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.