当前位置：首页 > news >正文

机器学习 - 感知机（Perceptron）

news 2026/3/27 2:56:10

摘要：感知机是最早的神经网络模型，由罗森布拉特于1950年代提出。它通过输入特征的加权和与阈值函数实现二元分类，属于监督学习算法。感知机由输入层、权重层和输出层组成，使用阶跃函数作为激活函数。训练过程通过迭代更新权重来最小化误差，权重调整公式为wi += α(y-y')xi。Python实现可使用scikit-learn库或自定义类，后者通过阶跃函数完成逻辑运算。感知机简单有效，适合二元分类问题，为后续神经网络发展奠定了基础。

感知机的架构

感知机的训练

示例：Python 实现感知机

方法一：使用 scikit-learn 库

输出结果

说明

方法二：自定义感知机类（基于阶跃函数）

输出结果

说明

阶跃函数在感知机训练中的作用

机器学习 - 感知机（Perceptron）

感知机（Perceptron）是最古老、最简单的神经网络架构之一，由弗兰克・罗森布拉特（Frank Rosenblatt）于 20 世纪 50 年代发明。感知机算法是一种线性分类器，能将输入数据划分为两个可能的输出类别之一，属于监督学习的一种 —— 通过提供带标签的训练数据来训练模型。该算法基于阈值函数工作：先计算输入特征的加权和，再对其应用阈值以生成二元输出。

感知机的架构

单层感知机由输入层、权重层和输出层组成：

输入层的每个节点与权重层的每个节点相连，每条连接都分配有一个权重；
权重层的每个节点先计算输入特征的加权和，再通过阈值函数生成输出。

感知机中使用的阈值函数是赫维赛德阶跃函数（Heaviside step function）：当输入大于或等于 0 时返回二元值 1，否则返回 0。权重层每个节点的输出由以下公式确定：若其他情况其中：

y 为输出结果；
x1,x2,...,xn 为输入特征；
w0,w1,w2,...,wn 为对应的权重；
≥0 表示赫维赛德阶跃函数的判断条件。

感知机的训练

感知机算法的训练过程是迭代更新权重的过程，直到模型收敛到一组能正确分类所有训练样本的权重。具体步骤如下：

初始化权重：将所有权重设为随机值；
误差计算与权重更新：对每个训练样本，将预测输出与实际输出进行对比，根据误差调整权重以最小化偏差。

感知机的权重更新规则如下：

其中：

wi 为第i个特征的权重；
α 为学习率（learning rate）；
y 为实际输出；
y′ 为预测输出；
xi 为第i个输入特征。

示例：Python 实现感知机

感知机可通过 scikit-learn 库快速实现，该库提供了专门用于二元分类问题的Perceptron类。以下是具体实现示例：

方法一：使用 scikit-learn 库

from sklearn.linear_model import Perceptron from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载鸢尾花数据集 iris = load_iris() # 划分训练集和测试集（测试集占比30%） X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0) # 创建感知机对象，设置学习率为0.1 perceptron = Perceptron(alpha=0.1) # 在训练集上训练感知机 perceptron.fit(X_train, y_train) # 使用训练好的感知机对测试集进行预测 y_pred = perceptron.predict(X_test) # 评估感知机的准确率 accuracy = accuracy_score(y_test, y_pred) print("准确率（Accuracy）:", accuracy)

输出结果

plaintext

准确率（Accuracy）: 0.8

说明

训练完成后，感知机可用于新输入数据的预测：给定一组输入值，感知机先计算输入特征的加权和，再对该和应用激活函数得到输出值，该输出值即为对应输入的分类预测结果。

方法二：自定义感知机类（基于阶跃函数）

以下是手动实现感知机的示例，使用阶跃函数作为激活函数：

import numpy as np class Perceptron: def __init__(self, learning_rate=0.1, epochs=100): self.learning_rate = learning_rate # 学习率 self.epochs = epochs # 训练轮次 self.weights = None # 权重（初始化为None） self.bias = None # 偏置（初始化为None） # 阶跃函数：激活函数 def step_function(self, x): return np.where(x >= 0, 1, 0) # x≥0返回1，否则返回0 # 训练方法：输入特征X，目标标签y def fit(self, X, y): n_samples, n_features = X.shape # 获取样本数量和特征数量 # 初始化权重为0，偏置为0 self.weights = np.zeros(n_features) self.bias = 0 # 迭代训练（按轮次更新权重和偏置） for _ in range(self.epochs): for i in range(n_samples): # 计算线性输出（加权和 + 偏置） linear_output = np.dot(self.weights, X[i]) + self.bias # 通过阶跃函数得到预测输出 y_pred = self.step_function(linear_output) # 根据误差更新权重和偏置 update = self.learning_rate * (y[i] - y_pred) self.weights += update * X[i] self.bias += update # 预测方法：输入特征X，返回预测结果 def predict(self, X): linear_output = np.dot(X, self.weights) + self.bias y_pred = self.step_function(linear_output) return y_pred # 测试自定义感知机 if __name__ == "__main__": # 输入数据（二元特征） X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) # 目标标签（对应逻辑与运算） y = np.array([0, 0, 0, 1]) # 创建感知机实例（学习率0.1，训练轮次10） perceptron = Perceptron(learning_rate=0.1, epochs=10) # 训练模型 perceptron.fit(X, y) # 测试数据 test_data = np.array([[1, 1], [0, 1]]) # 预测 predictions = perceptron.predict(test_data) print("预测结果:", predictions)