-
倒数第三行,求和符号下面的是j,不是i。
查看全部 -
对w求偏导,会得到一条切线的斜率k,当在U形图左半部的时候,k<0,增大w的值,在在右半部的时候,k>0,减小w的值,就会找到J(w)的最小值。
查看全部 -
不断调整w0-wm,使得J(w)的值最小,对神经元的训练效果才最好。
查看全部 -
感知器的激活函数是步调函数,输入值大于给定的阈值输出1,小于输出0。自适应线性神经元激活函数是1*w0+x1*w1+... 点积求和的计算结果与正确的结果比较
查看全部 -
file = "iris.csv" import pandas as pd # 数据读取类库 # header指定文件是否有表头 df = pd.read_csv(file, header = None) # 显示文件前十行 df,head(10) import matplotlib.pyplot as plt import numpy as np # 得到数据前一百行的第五列 y = df.loc[0:100, 4].values print(y) # 将字符串转化为数字 y = np.where(y == 'Iris-setosa', -1, 1) # 抽取数据第0列和第2列 x = df,iloc[0:100, [0, 2]].values # scatter散列点绘图 plt.scatter(x[:50, 0], x[:50, 1], color='red', marker='o', label='setosa') plt.scatter(x[50:100, 0], x[50:100, 1], color='blue', marker='x', label='versicolor') plt.xlabel('花瓣长度') plt.ylabel('花茎长度') plt.legend(loc='upper left') plt.show()
查看全部 -
适用范围:预测的数据是可以进行线性分割的
感知器的隐含层是点积求和函数
查看全部 -
权重更新算法
学习率是训练者人为设置的
查看全部 -
右侧的关于z的函数就是感知器
查看全部 -
感知器数据分类算法步骤
查看全部 -
分类算法大致有两种类型:感知器;适应性的线性神经元。
查看全部 -
算法步骤
查看全部 -
神经网络数学概念
查看全部 -
人工神经元
查看全部 -
1.课程大纲啊
查看全部 -
感知器数据分类算法步骤图示
1把权重w向量初始化为0或【0,1】之间
2训练样本输入感知器 得出分类结果
3根据分类结果更新权重向量
查看全部
举报
0/150
提交
取消