在感知器学习模型的 Python 实现中将数组传递给 numpy.dot()

我正在尝试将单层感知器分类器的 Python 实现放在一起。我发现 Sebastian Raschka 的《Python 机器学习》一书中的示例非常有用，但我对他的实现的一小部分有疑问。这是代码：

import numpy as np    
class Perceptron(object):
    """Perceptron classifier.

    Parameters
    ------------
    eta : float
        Learning rate (between 0.0 and 1.0)
    n_iter : int
        Passes over the training dataset.

    Attributes
    -----------
    w_ : 1d-array
        Weights after fitting.
    errors_ : list
        Number of misclassifications in every epoch.

    """
    def __init__(self, eta=0.01, n_iter=10):
        self.eta = eta
        self.n_iter = n_iter

    def fit(self, X, y):
        """Fit training data.

        Parameters
        ----------
        X : {array-like}, shape = [n_samples, n_features]
            Training vectors, where n_samples 
            is the number of samples and
            n_features is the number of features.
        y : array-like, shape = [n_samples]
            Target values.

        Returns
        -------
        self : object

        """
        self.w_ = np.zeros(1 + X.shape[1])
        self.errors_ = []

        for _ in range(self.n_iter):
            errors = 0
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))
                self.w_[1:] += update * xi
                self.w_[0] += update
                errors += int(update != 0.0)
            self.errors_.append(errors)
        return self

    def net_input(self, X):
        """Calculate net input"""
        return np.dot(X, self.w_[1:]) + self.w_[0]

    def predict(self, X):
        """Return class label after unit step"""
        return np.where(self.net_input(X) >= 0.0, 1, -1)

我无法理解的部分是为什么我们定义 net_input() 和 predict() 来采用数组 X 而不仅仅是一个向量。一切顺利，因为我们只将向量 xi 传递给 predict() 函数中的 fit() （因此也只将向量传递给 net_input() ），但是将函数定义为背后的逻辑是什么取一个数组？如果我正确理解该模型，我们一次只取一个样本，计算权重向量和与样本相​​关的特征向量的点积，并且我们永远不需要将整个数组传递给 net_input() 或|| |。 predict() .

你对感知器算法的理解是正确的，而且你观察到在这个特定的实现中， net_input() 和 predict() 函数一次只应用于一个样本，这也是正确的。但是，将这些函数设计为可以处理数组而不是单个向量，有几个原因：

1. 效率： 向量化。通过将 X 设计为一个数组，该代码可以利用 NumPy 的向量化操作。这意味着不是循环遍历每个样本，而是可以使用一个矩阵操作来同时计算所有样本的点积。这对于大型数据集来说效率要高得多。

2. 代码简洁性： 使用数组作为输入， fit() 函数中的训练循环可以写得更紧凑。 zip(X, y) 表达式创建了样本和标签的对，而 predict() 函数可以应用于整个 X 数组，而无需额外的循环。这使代码更易于阅读和理解。

3. 灵活性： 将数组作为输入，可以在训练后更容易地对新的样本集进行预测。你可以将一个包含多个样本的数组传递给 predict() 函数，它将返回一个包含每个样本预测的数组。

虽然感知器算法一次处理一个样本，但从设计角度来看，让 net_input() 和 predict() 函数接受数组输入更有益。这利用了 NumPy 的向量化功能来提高效率、使代码更简洁，并提供更大的灵活性来处理样本集。

总而言之，即使当前实现一次只对一个样本使用 predict() ，但将 net_input() 和 predict() 函数概括为处理数组是基于效率、代码简洁性和灵活性的深思熟虑的设计选择。