Á¤¼ºÈÆ
    perceptron1
perceptron1.py [1 KB]   perceptron1.png [1 KB]  




1
2
3
4
5
6
7
8
9
10
11
12
13
14
from sklearn.linear_model import Perceptron
 
# »ùÇðú ·¹À̺íÀÌ´Ù. 
= [[0,0],[0,1],[1,0],[1,1]]
= [0001]
 
# ÆÛ¼ÁÆ®·ÐÀ» »ý¼ºÇÑ´Ù. tol´Â Á¾·á Á¶°ÇÀÌ´Ù. random_state´Â ³­¼öÀÇ ½ÃµåÀÌ´Ù.
clf = Perceptron(tol=1e-3, random_state=0)
 
# ÇнÀÀ» ¼öÇàÇÑ´Ù. 
clf.fit(X, y)
 
# Å×½ºÆ®¸¦ ¼öÇàÇÑ´Ù. 
print(clf.predict(X))
cs

  µî·ÏÀÏ : 2020-08-02 [02:55] Á¶È¸ : 299 ´Ù¿î : 194   
 
¡â ÀÌÀü±Ûperceptron2
¡ä ´ÙÀ½±Û(11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò
ÀΰøÁö´É ½Ç½À
¹øÈ£ ¨Ï Á¦ ¸ñ À̸§
ÀΰøÁö´É (õÀα¹ Àú) ÄÚµå
¨ÕÆÄÀÌÅäÄ¡ ù°ÉÀ½ (ÃÖ°ÇÈ£ Àú) ÄÚµå
19    ¦¦❷ perceptron1 Á¤¼ºÈÆ
18 ¦¦❶ (11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò Á¤¼ºÈÆ
17    ¦¦❷ lab1 Á¤¼ºÈÆ
16    ¦¦❷ kmeans2 Á¤¼ºÈÆ
15    ¦¦❷ kmeans1 Á¤¼ºÈÆ
14    ¦¦❷ knn2 Á¤¼ºÈÆ
13    ¦¦❷ knn Á¤¼ºÈÆ
12 ¦¦❶ (10Àå) ¼±Çü ȸ±Í Á¤¼ºÈÆ
11    ¦¦❷ linear_reg2 Á¤¼ºÈÆ
10    ¦¦❷ lab2 Á¤¼ºÈÆ
9    ¦¦❷ lab1 Á¤¼ºÈÆ
8 ¦¦❶ (8Àå) À¯ÀüÀÚ ¾Ë°í¸®Áò Á¤¼ºÈÆ
7    ¦¦❷ GA Á¤¼ºÈÆ
6    ¦¦❷ generic Á¤¼ºÈÆ
5 ¦¦❶ (3Àå) °ÔÀÓÆ®¸® Á¤¼ºÈÆ

[1][2][3][4][5][6]