问题标签 [perceptron]

我编写了一个代码，用于使用 delta 规则训练单个神经元网络。另一个用于分类 2 类的感知器。我对他们进行了 2000 个样本的训练，他们工作得很好。

现在，我希望通过使用我在训练过程结束时获得的最后权重来测试它们（使用另外 2000 个样本），并在测试代码中使用它们，如下所示：

但我得到 counter=0 这意味着没有 y 值等于所需的值。这是我们测试网络的方式还是我错过了什么？我正在尝试在线或从有关如何测试的书籍中找到算法，但我不能。我们是否必须具有与所需输出相同的精确输出，还是应该使用阈值之类的东西？

假设两个感知器在来自相同线性可分分布的无限样本上运行。它们会收敛到相同的决策函数吗？它们会收敛到相同的权重向量 w 吗？我是 ML 的初学者，所以如果有人能提供详细的解释，那就太好了。

我需要一些关于具有多个类的单层感知器的帮助。

我需要做的是用三个不同的类对数据集进行分类，现在我刚刚学会了如何用两个类来做，所以我真的不知道如何用三个来做。

该数据集具有三个不同的类别：Iris-setosa、Iris-versicolor 和 Iris-versicolor。

带有数据集和信息的 url 位于：http: //ftp.ics.uci.edu/pub/machine-learning-databases/iris/iris.data。

我非常感谢任何人可以给我的任何帮助。

非常感谢！

资料来源：http ://datasciencelab.wordpress.com/2014/01/10/machine-learning-classics-the-perceptron/

“给定其中两个点的直线的一般方程，(x1,y2)并且(x2,y2), 是A + Bx + Cy = 0其中A, B,C可以用两点来写。定义一个向量V = (A, B, C), 任何点都(x,y)属于该线 if V'x = 0, 其中x = (1,x,y). 点积为正面落在这条线的一侧，负面落在另一侧。”

我不太明白它是如何工作的。此外，特别是这一行：

为什么由Bx决定yb-ya？

对于它的价值，我正在学习线性代数，所以我对数学概念非常熟悉（我意识到它是一个正常的），但它是如何完成的却让我无法理解。

我正在使用 scikit 类感知器提供的非常基本的线性分类器：

我有一个 X 数组，其中行是实例，列是二进制特征。我的班级有一个 Y 数组。我的数据分为三类。我有两个问题：1）感知器算法需要一个偏置项。scikit 感知器如何处理偏差？我应该在我的输入 X 数据中添加一个“偏差列”（全部）吗？或者 scikit 感知器函数是否会自动向具有特征的 X 数组（输入）添加偏差？还是单独处理偏差？2）如何找到我的感知器的训练误差？

如果不存在偏差，穿过原点的线应该能够线性分离两个数据集，这不是真的吗？

但是这个 -->>问题中最受欢迎的答案是

我对此感到困惑。你的意思是上图中的原点在x轴和y轴的中间吗？有人可以帮我澄清一下吗？

I'm trying to implement perceptron on Objective-C. Now i'm facing the problem that after some random amount of epochs, when error's tending to its minimum or maximum, network is paralysis, and after some more epochs all weights becomes very big or very small numbers, and output and propagation of network becomes NaN. What could be the problem?

My code is here, the main method is learn: Neuron.h

Web.h

Web.m

我想将 sklearn.ensamble 的 AdaBoostClassifier 用于简单的二进制分类任务。如何使用多个预拟合感知器作为 AdaBoostClassifier 中的弱分类器？

IE

或者，我需要手动构建 AdaBoost 吗？

在我们介绍 sigmoid 神经元（具有 sigmoid 激活函数的神经元）之前，这个站点给出了一些数学阐述，即关于感知器。 http://neuralnetworksanddeeplearning.com/chap1.html

它从感知器开始，然后到 sigmoid 神经元。一切都很好，但我似乎无法证明本章后面的第二个问题“Sigmoid 神经元模拟感知器，第二部分”。我很难相信您可以用偏差和权重不变的 sigmoid 神经元网络替换感知器网络（在这里可以很容易地构建一个反例：将权重 17、-6、-3 用于第三层和最后一层第四层的神经元，其中 b = -3 和 w = {17, -6} in wx + b >= 0，对于 {1,0,0}（包括偏差 x_0），感知器网络给出 0，而 sigmoid 网络可以给出1）。

谁能帮助我并告诉我我错过了什么或我哪里出错了？谢谢你。

在 scikit 中，一些分类器没有实现“predict_proba”功能。

虽然我了解某些分类器不能预测概率，但我希望分类器的预测中始终存在置信度因素。

我想知道如何拥有与 predict_proba Perceptron 模型（scikit 0.15）等效的东西。有这样的事吗？

（我认为旧版本的 scikit 有 predict_proba 但我需要使用的版本中没有）