java实现简单的感知器算法(Perceptron Algorithm)
使用诸如matlab之类的实验室语言实现各类DM算法很方便，可以很快的获得实验结果，因为各类经典的数学或者DM算法都以函数的形式体现，你要做的大部分工作都可以调用这些函数，而你只需要编写少量代码就ok。但使用这类语言也有缺点，其一是这样做的效率可能不怎么高，原因是你不清楚底层代码的实现而盲目调用。其二是无法真正理解这些经典的数学或者是DM算法（看懂一个算法距离实现一个算法还是很遥远的）。 so，我尝试使用java实现一系列经典的DM算法，以加深对它们的理解。先从比较简单的感知器算法开始。 感知器算法流程：
/** * 感知器算法：作为adaboost算法的弱分类器 * 参考资料：http://wenku.baidu.com/view/f2aeda2458fb770bf78a55e5.html### * @author zhenhua.chen * @Description: TODO * @date 2013-3-7 上午9:31:01 * */public class PerceptronApproach {private static final int T = 100; // 最大迭代次数/** * * @param dataSet：数据集 * @param weight：每条数据的权重 * @return */public ArrayList<Double> getWeightVector(ArrayList<ArrayList<Double>> dataSet, ArrayList<Double> dataWeight) {int dataLength = 0;if(null == dataSet) {return null;} else {dataLength = dataSet.get(0).size();}// 初始化感知器的权重向量ArrayList<Double> sensorWeightVector = new ArrayList<Double>(); for(int i = 0; i < dataLength; i++) {sensorWeightVector.add(1d);}// 初始化感知器的增量//int increment = 1;int sign = 0; // 迭代终止的条件: 权值向量的的值连续dataSet.size()次大于0for(int i = 0; i < T && sign < dataSet.size(); i++) { // 最大迭代次数for(int z = 0; z < dataSet.size(); z++) {double result = 0;for(int j = 0 ; j < dataLength; j++) {result += dataSet.get(z).get(j) * sensorWeightVector.get(j);}if(result > 0) {sign++;if(sign >= dataSet.size()) break;} else {sign = 0;for(int k = 0; k < dataLength; k++) { //更新权值向量sensorWeightVector.set(k, sensorWeightVector.get(k) + dataSet.get(z).get(k) * dataWeight.get(z));}}}}return sensorWeightVector;}public static void main(String[] args) {File f = new File("E:/PA.txt");BufferedReader reader = null;try {reader = new BufferedReader(new FileReader(f));String str = null;try {ArrayList<ArrayList<Double>> dataSet = new ArrayList<ArrayList<Double>>();while((str = reader.readLine()) != null) {ArrayList<Double> tmpList = new ArrayList<Double>();String[] s = str.split("\t");for(int i = 0; i < s.length; i++) {tmpList.add(Double.parseDouble(s[i]));}dataSet.add(tmpList);}ArrayList<Double> dataWeight = new ArrayList<Double>();for(int i = 0; i < dataSet.size(); i++) {dataWeight.add(1d);}PerceptronApproach d = new PerceptronApproach();d.getWeightVector(dataSet, dataWeight);System.out.println(d.getWeightVector(dataSet, dataWeight));} catch (IOException e) {e.printStackTrace();}} catch (FileNotFoundException e) {e.printStackTrace();}}}?
?
?
?