使用感知器的Python机器学习简介

摘要：发布于年月日，年月日更新作者使用感知器的机器学习简介每个熟悉技术的人都听说过机器学习。什么是感知器感知器是机器学习和神经网络的基础。第一个参数用于控制感知器学习的速度。请注意，我们在这里使用变量，它决定了感知器学习的速度。

发布于2016年11月29日，2017年1月19日更新, 作者: Matthew Corrigan

每个熟悉技术的人都听说过机器学习。但都认为必得高智商的数学大师才能搞, 咋也得懂微积分才整机器学习吧。其实没那么难，本文将指导您在没有任何高级数学理论的情况下, 在Python中创建感知器，总计也不到60行代码。

感知器是机器学习和神经网络的基础。你为程序喂一堆输入数据，想个法儿把这些输入数据变成输出数据。通过为每个输入数据分配权重来实现。每个输入乘以该权重，并加在一起。最后，我们需要将该总和转换为二个值之一：1或-1。在训练感知器时，我们会评估程序生成的输出，并根据输入和应该输出的内容调整权重。实际上，感知器可以帮助我们对数据进行分类。如果这个解释让你感到困惑，请不要担心，当我们开始编码时你就会明白了。

我们应该从创建一个感知器类开始。在初始化函数中，我们想要初始化我们的权重，每个权重是从-1到1之间的随机数。为了生成随机数，我们将使用random.random()，它返回0到1之间的数字。

  import random
  
  class Perceptron：
  
    def __init __(self, learn_speed, num_weights):
    
      self.speed = learn_speed
    
      self.weights = []
      for x in range(0, num_weights):
        self.weights.append(random.random()* 2-1)

        
第一个参数learn_speed用于控制感知器学习的速度。值越低，学习的时间越长，但每个数据对总体权重的值改变就越小。如果此参数太高，我们的程序将很快改变其权重，使其不准确。另一方面，如果learn_speed太低，则因为精度问题永远也无法完成感知器的训练。该参数的值约为0.01-0.05时比较合适。

第二个参数num_weights控制感知器将具有多少个权重值。我们的感知器也将具有与权重相同的输入数量，因为每个输入都有自己对应的权重值。

接下来，我们需要在类中创建一个函数来接收输入，并将它们转换为输出。我们通过将每个输入乘以其相应的权重，将所有这些加在一起，然后检查总和是否大于0来完成此操作。在您的perceptron类中，在__init__函数之后添加此代码：

  def feed_forward(self, inputs):
      sum = 0
      ＃权重乘以输入并求和
      for x in range(0, len(self.weights)):
        sum + = self.weights[x] * inputs[x]
      ＃返回"激活"总和
      return self.activate(sum)
      
    def activate(self, num):
      ＃将大于0之和转为1，低于0转为-1
      if num> 0:
        return 1
      return -1

上面的代码是我们感知器的基础。如果您能够很好地理解这些代码，那么您对机器学习的基础知识已有了一个飞跃。让我们一块一块地剖析这段代码。

第一个函数feed_forward用于将输入转换为输出。术语前馈通常用于神经网络，以描述将输入转换为输出的过程。该方法基于每个对应的权重对每个输入进行加权并求和，然后使用activate函数返回1或-1。

activate函数用于将数字转换为1或-1。这是因为当我们使用感知器时，我们想要对数据进行分类。我们将它分为两​​组，其中一组用1表示，另一组用-1表示。

你可能想知道，“如果权重是随机的，那有什么用？” 这就是我们在使用之前必须训练感知器的原因。在我们的训练函数中，我们希望根据提供的输入进行猜测，然后看看我们的猜测与我们想要的输出相比如何。感知器类的训练函数如下所示。

  def train(self，inputs，desired_output):
      guess = self.feed_forward(inputs)
      error = desired_output - guess
      
      for x in range(0, len(self.weights)):
        self.weights[x] + = error * inputs[x] * self.speed

        
前几行中的大多数都应该有意义。我们的函数接受输入，以及当我们通过程序运行输入时应该发生的输出。我们使用feed_forward函数猜测输入，然后根据我们应该输出的内容计算出错误。请注意，如果我们正确预测，则错误将等于0，并且函数的最后一行根本不会改变我们的权重。

这个功能的最后两行是多汁的部分 - 他们把学习放在机器学习中。我们遍历每个重量并根据我们有多少错误来调整它。请注意，我们在这里使用self.speed变量，它决定了感知器学习的速度。通过在一堆输入及其输出上运行此训练函数，我们最终可以教我们的感知器获得正确的输出。

如果我们不实际训练它们，我们的感知器就没用了。我们将通过编写快速Trainer类来完成此操作。在这个例子中，我们将训练我们的感知器, 使其能分辨一个点是在一条线之上还是在一条线之下。我们的线由方程 y = 0.5x + 10表示。一旦您知道如何训练感知器来识别线，您可以将x和y表示为不同的属性，在线的上方或下方作为这些属性的运算结果。

例如，如果您有关于哈佛大学申请人的GPA和ACT分数的数据集，以及他们是否被接受，您可以训练感知器在图表上找到x = GPA分数和y = ACT分数的线。在线以上将是被接受的学生，并且在线以下将是被拒绝的学生。然后，您可以使用此感知器来预测学生是否会根据他们的GPA和ACT分数被哈佛大学录取。

在这个例子中，我们将继续去识别一条线。为此，我们将创建一个Trainer类，用于训练感知器的点数，以及它们是否在线上。以下是我们的Trainer类的代码：

 class Trainer:
    
    def __init__(self):
      self.perceptron = Perceptron(0.01, 3)
      
    def f(self, x):
      return 0.5*x + 10 # line: f(x) = 0.5x + 10
      
    def train(self):
      for x in range(0, 1000000):
        x_coord = random.random()*500-250
        y_coord = random.random()*500-250
        line_y = self.f(x_coord)
        
        if y_coord > line_y: # 在线上方
          answer = 1
          self.perceptron.train([x_coord, y_coord, 1], answer)
        else: # 在线下​​面
          answer = -1
          self.perceptron.train([x_coord, y_coord, 1], answer)
      return self.perceptron # 返回我们训练有素的感知器    

      
正如您所看到的，Trainer类的初始化程序创建了一个具有三个输入且学习速度为0.01的感知器。前两个输入是x和y，但最后一个输入是什么？这是神经网络和机器学习的另一个核心概念。最后一个输入将始终设置为1. 与其对应的权重将决定它对我们的线的影响。例如，如果你回顾我们的等式：y = 0.5x + 10，我们需要某种方式来表示y轴截距10. 我们通过创建第三个输入来实现这一点，该输入需要根据感知器的权重增加或减少。将其视为一个阈值，帮助感知器理解线需要向上调整10个单位。

在我们的f函数中，我们接受一个x坐标并返回一个y坐标。根据x坐标在线上找到点，这将在下一个函数中派上用场。

Trainer类的这个训练函数是所有魔法发生的地方，我们实际上是训练我们的感知器。我们开始循环100万次。还记得我们的感知器学习速度吗？我们训练感知器的次数越多（在这种情况下，100万次），即使学习速度很低，它也会越准确。

在循环的每次迭代中，我们创建一个点，确定它是否在线的上方或下方，然后将这些输入馈送到感知器的训练函数中。首先，在-250和250之间随机生成x和y坐标。接下来，我们找到y坐标在该x行的线上的位置，以查看我们的点是否在线上方。例如，如果我们在（1,3）处选择一个点，那么我们应该获得x值为3的线上的点的y坐标。我们使用f函数执行此操作。如果我们的随机y坐标值高于线上对应的y坐标值，我们知道随机坐标在线上方。

这就是我们在if ... else语句中所做的。如果点在线上方，我们设置预期输出，存储在answer中为1.如果点低于该线，则我们的预期输出为-1。然后根据x，y坐标和我们的预期输出训练我们的感知器。整个循环完成后，返回新训练的感知器对象。

为了运行程序，我们创建一个training对象，并调用它的.train（）方法。

  trainer = Trainer()
  p = trainer.train()

现在是荣耀的时刻;我们运行该程序。让我们选择两点，（ - 7,9）和（3,1）。第一个点在线上方，所以它应该返回1，第二个点在线下面，所以它应该返回-1。让我们看看我们如何运行我们的感知器：

  print "(-7, 9): " + p.feed_forward([-7,9,1])
  print "(3, 1): " + p.feed_forward([3,1,1])

如果我们运行它会输出：

(-7, 9): 1
(3, 1): -1

成功！ 我们的程序检测到每个点是在线之上还是之下。 您可以尝试更多的点来自己测试程序是否正常运行。

本文旨在帮助您了解机器学习的一些基础知识; 具体而言，神经网络。 如果您想深入研究这个主题，请查看以下链接：

神经网络简介
斯坦福大学的免费机器学习课程
纳米级机器学习