[英]Passing an array to numpy.dot() in Python implementation of Perceptron Learning Model
我正在嘗試將單層Perceptron分類器的Python實現放在一起。 我發現Sebastian Raschka的書“Python機器學習”中的例子非常有用,但我對他實現的一小部分有疑問。 這是代碼:
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)
我無法net_input()
的部分是為什么我們定義net_input()
和predict()
來獲取數組X
而不僅僅是一個向量。 一切都工作正常,因為我們只是在fit()
函數中傳遞向量xi
到predict()
(因此也只是將向量傳遞給net_input()
),但是定義函數的邏輯是什么呢?陣列? 如果我正確理解模型,我們一次只取一個樣本,計算權重向量和與樣本相關的特征向量的點積,我們永遠不需要將整個數組傳遞給net_input()
或predict()
。
您的擔憂似乎是為什么net_input中的X和預測被定義為數組而不是向量(我假設您的定義是我在上面的注釋中提到的 - 實際上我會說在這種情況下沒有區別) ......是什么讓你覺得X是'數組'而不是'向量'?
這里的輸入是由你傳遞函數決定的,所以如果你傳遞一個向量,X就是一個向量(python使用所謂的duck typing)。 所以回答這個問題,'為什么net_input和predict被定義為采用數組而不是向量?'......它們不是,它們只是被定義為采用參數X,這是你傳遞它的任何類型。 。
也許你很困惑他將變量名稱X重新用作擬合上下文中的2d訓練數據數組,但作為其他函數中的單個樣本......他們可能共享一個名稱,但它們彼此不同,在於不同的范圍。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.