我试图理解感知器的权重是如何计算的，例如，使用这种方法fit：

def fit(self, X,y):
       
        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

假设在for循环的第一次迭代中，我们有：

xi = array([5.1, 1.4])
target = int(-1)
self.eta = float(0.01)
self.w_=array([0., 0., 0.])

然后self.predict(xi)发生，得到update：

def predict(self,X):
        return np.where(self.net_input(X) >= 0.0, 1, -1)

它调用self.net_input(X)：

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

然后我们有这些计算：

np.where(X, self.w_[1:]) + self.w_[0] equals ([5.1, 1.4]*[0.,0.]) + 0 = 0

np.where(self.net_input(X) >= 0.0, 1, -1) equals 1 (because *self.net_input(X)* = 0)

update = self.eta * (target - self.predict(xi)) equals update = 0.01 * (-1-1) = -0.02

self.w_[1:] += update * xi equals [0.,0.] += -0.02 * 0.01 = [-0.0002, -0.0002]

self.w_[0] = update(-0.02)

这就是我们所拥有的：
self.w_ = array([-0.02 , -0.0002, -0.0002])
然而，在断点上的第一次迭代之后，我看到的是：
self.w_ = array([-0.02 , -0.102, -0.028])
我两天前开始学习ML，所以也许我错过了一些重要的东西？

• 附言代码运行良好 *