本來想說3分鐘可以讀完的，但是想到自己的表達水平。我覺得可能需要多出2分鐘來理解我說的話。

感知機演算法

一開始這個名字，不懂的人覺得這個逼格很高，感覺很厲害的樣子，其實這個演算法很水的….

對於這個演算法，我們只需要知道下面這幾樣東西：
1. 這個演算法的名字：感知機演算法
2. 這個演算法的用途：分類
3. 這個演算法的實現：用一個曲線或者曲面來分隔空間。主要目的就是找到這個曲面或者曲線。 至於具體怎麼實現，會在下面說到。

演算法的實現

正如上面所說，這個演算法就是去找這樣的一個曲線，或者曲面，然後，認為在這個曲線的一面（或者一邊）是一類，另外一邊就是另外的一類。

那麼下面就講講怎麼找到這個曲線，或者曲面吧

最粗糙的方法：

就是上面的這個方程。
看起來是不是很蠢，這個東西，我們在高中的時候，大概都很少玩了吧….

但是呢，這個還是稍微高階一點點，就是這裡的都認為是向量來的~，當然啦，也可以是矩陣。

不過，矩陣在這也可以被概括為向量，所以，還是認為是向量，會比較通用。

上面，我們很明顯是，可以通過一個一個算式，將輸入的X，加工一下，然後就得到了，我們的目標，Y

對於這個Y，我們這有別的用法
比如對這個Y進行加工

部分搞事的人就會問，這個0呢？

那這個函式改怎麼進化呢？

這裡重點強調 W$W$ 跟 b$b$ 的變化。

迭代的方法很簡單，就是，不是有很多個測試案例麼？
我們就一個個檢查。
先隨機選這個初始值。 W$W$ 跟 b$b$

下面這個是我們的更新條件：
yi∗(W∗X+b)<0$y_i\ast (W\ast X+b)<0$
乍一看好像很奇怪，但是其實非常容易理解。意思就是，我們推理的結果跟實際的結果不一致（符號相反）。
因為，這裡只是考慮符號問題，所以，當然是遇到了不一致再發生改變。

怎麼變呢？

其中α$\alpha$就是一個常數，我們自己給一個就好了，大小就是屬於(0,1)$(0,1)$

對！就是像上面那樣改變！

在網上很多人，都喜歡直接說，這個就是對於錯誤例子的靠近。但是卻沒有一個人說清楚為什麼？？
對此，我對他們是不是理解了這個演算法表示懷疑，但是感覺這樣的演算法…也不應該？？ 算了，還是解釋一下吧

描述

這裡，我們假設算出來的新的值為yi1$y_{i1}$，之前的算出來的值是 yi0$y_{i0}$，而真實的結果是Yi$Y_i$,對應的，這時候的x值是xi$x_i$

推理

根據我們給的定義，所以有yi0=W∗xi+b$y_{i0}=W\ast x_i+b$。這就是所謂之前算出來的值。
後面算出來的值呢，就變成了yi1=(W+α∗Yi∗xi)∗xi+(b+α∗Yi)$y_{i1}=(W+\alpha \ast Y_i\ast x_i)\ast x_i+(b+\alpha \ast Y_i)$

對於後面的方程，拆出來。就是， 再結合第一個式子，就得到下面

推理到這，我們就可以發現，要是Yi>0$Y_i>0$， 那麼新的值就會變大，否則會變小。
這裡其實，這裡，要強調一點，Yi∗yi0<0$Y_i\ast y_{i0}<0$的，這個我們在之前也是有說到的。

正是上面的原因，所以導致了之前所說的，傳送錯誤時，往正確的結果的方向進行移動

這樣反反覆覆，就得到了我們最終想要的結果~

而上面的這個迭代過程，我們就稱之為 訓練。

插入程式碼，如果有興趣可以研究~

import pandas as pd
import numpy as np


def read(filename):
    """
    :param filename:
    :return:
    """
    df = pd.read_csv(filename)
    *data, label = list(map(list, zip(*df.values)))
    return list(zip(*data)), label


def train(data, label, TIME=10000, alpha=0.4):
    """
    :param data:
    :param label:
    :param TIME:
    :param alpha:
    :return:
    """
    w = np.random.rand(len(data[0]))
    b = np.random.random()
    data = np.array(data)
    for t in range(TIME):
        for di in range(len(data[0])):
            if (np.dot(w, data[di]) + b) * label[di] < 0:
                w = w + alpha * data[di] * label[di]
                b = b + alpha * label[di]
    return w, b


def predict(filename, w, b):
    """
    :param filename:
    :param w:
    :param b:
    :return:
    """
    data, label = read(filename)
    count = 0
    for di in range(len(data[0])):
        if (np.dot(w, data[di]) + b) * label[di] <= 0:
            count += 1
    print('%.3f' % (1 - count / len(data)))


if __name__ == '__main__':
    data, label = read('train.csv')
    w, b = train(data, label)
    predict('val.csv', w, b)