- 算法调整原理
- 如果点分类正确，则什么也不做。
- 如果点分类为正，但是标签为负，则分别减去 αp,αq, 和 α 至 w_1, w_2,w1,w2, 和 bb
- 如果点分类为负，但是标签为正，则分别将αp,αq, 和 α 加到 w_1, w_2,w1,w2, 和 bb 上
感知器算法
掌握了感知器技巧后，我们就可以编写完整的感知器运算的算法了！
下面的视频将介绍感知器算法的伪代码，现在你还不需要担心什么是学习速率（learning rate），我们在之后的课程中会详细介绍为什么这里的伪代码中有学习率。
在视频下面的测验中，你将有机会用 Python 将其编成代码，并看看自己的感知器分类成果。加油！
Replay
Mute
Loaded: 100.00%
Remaining Time -0:00
Playback Rate
0.75x
Subtitles
Picture-in-PictureFullscreen
编写感知器算法
该编写代码了！在此练习中，你将实现感知器算法以分类下面的数据（位于文件 data.csv 中）。
感知器步骤如下所示。对于坐标轴为 (p,q)(p,q) 的点，标签 y，以及等式 \hat{y} = step(w_1x_1 + w_2x_2 + b)y^=step(w1x1+w2x2+b) 给出的预测
- 如果点分类正确，则什么也不做。
- 如果点分类为正，但是标签为负，则分别减去 \alpha p, \alpha q,αp,αq, 和 \alphaα 至 w_1, w_2,w1,w2, 和 bb
- 如果点分类为负，但是标签为正，则分别将 \alpha p, \alpha q,αp,αq, 和 \alphaα 加到 w_1, w_2,w1,w2, 和 bb 上。
然后点击测试运行绘出感知器算法给出的解决方案。它实际上会画出一组虚线，显示算法如何接近最佳解决方案（用黑色实线表示）。
请随意改动算法的参数（epoch 数量、学习速率，甚至随机化初始参数），看看初始条件对解决方案有何影响！
