感知机(Perceptron)1957年由Rosenblatt提出，是神经网络与支持向量机的基础。感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形式输入为实例的特征向量，输出为实例的类别，取+1和-1感知机对应于输入空间中将实例划分为正负两类的分离超平面，属于判别模型导入基于误分类的损失函数利用梯度下降法对损失函数进行极小化'''import numpy as npclass Dual_Perceptron(object):        def __init__(self, X, y,  eta = 1, n_iter = 100):        self.eta = eta        self.n_iter = n_iter            def fit(self, X, y):        self.errors_ = []        self.Remp_ = []        self.Gram = np.zeros((len(X), len(X)))        for i in np.arange(len(X)):            for j in np.arange(len(X)):                self.Gram[i,j] = self.Gram[j,i] = X[i] @ X[j] + 1            self.alpha = np.zeros(len(X))        self.b = 0        self._L = y * self.alpha @ self.Gram        n = 1        while np.any(self._L <= 0) and n <= self.n_iter:            error_id = np.argmax(self._L <= 0)            self.alpha[error_id] += self.eta            self.b += self.eta * y[error_id]            self._L = y * (y * self.alpha @ self.Gram)            Remp = -1 * np.sum(self._L[self._L <= 0])            print(f'Round {n}: alpha: {self.alpha}, Remp: {Remp}')            self.errors_.append(np.sum(self._L <= 0))            self.Remp_.append(Remp)            n += 1                    self.w = self.alpha * y @ X        print(f'w: {self.w}, b: {self.b}')                def predict(self, X):        return np.sign(X @ self.w + self.b)