2.5 Python implementation

Implementación en Python

Descripción

Esta sección proporciona una breve introducción al algoritmo de perceptrón y al conjunto de datos de la compuerta lógica AND que usaremos en este tutorial. NOTA: Se sugiere modificar el algoritmo para obtener el conjunto de datos de entrenamiento en forma estocástica.

Inicialización

import pandas as pd
import numpy as np

data = [[-1,-1, 1,-1],
        [-1, 1, 1,-1],
        [ 1,-1, 1,-1],
        [ 1, 1, 1, 1]]

pd.DataFrame(data, index=list(range(len(data))), columns=['X1', 'X2','bias','Y'])

Cálculo de la salida

### Ver sección "2.2 Evolución del perceptrón"###
prediction = sign(np.dot(weight, training))

Función de activación

### Ver sección "2.2 Evolución del perceptrón"###
def sign(x):
    if x > 0:
        return 1.0
    elif x < 0:
        return -1.0
    else:
        return 1.0

Cálculo del error

### Ver sección "2.4 Función de pérdida"###
error = desired - prediction
sse += error**2

Actualización de los pesos

### Ver sección "2.3 Enseñar para que aprenda"###
weight = weight + error * training

Algoritmo Completo

def sign(x):
    if x > 0:
        return 1.0
    elif x < 0:
        return -1.0
    else:
        return 1.0
    
import pandas as pd
import numpy as np

data = [[-1,-1, 1,-1],
        [-1, 1, 1,-1],
        [ 1,-1, 1,-1],
        [ 1, 1, 1, 1]]

pd.DataFrame(data, index=list(range(len(data))), columns=['X1', 'X2','bias','Y'])
train_data = pd.DataFrame(data, index=list(range(len(data))), columns=['X1', 'X2','bias','Y'])
train_Y = train_data.Y
train_data = train_data[['X1', 'X2','bias']]
train_data.head()

weight = np.zeros(train_data.shape[1])

for epoch in range(100):
    sse = 0.0
    for sample in range(train_data.shape[0]):
        training = train_data.loc[sample].values
        desired = train_Y.loc[sample]
        prediction = sign(np.dot(weight, training))
        error = desired - prediction
        sse += error**2
        weight = weight + error * training
    print(f'SSE: {sse}')
    if sse == 0:
        break
print(f'Weights: {weight}, Epoch: {epoch+1}')