![](https://cdn-ak-scissors.b.st-hatena.com/image/square/2c45cfd240440c638c2a7a63e38f3df41feff264/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9V2lkcm93LUhvZmYlRUYlQkMlODglRTMlODIlQTYlRTMlODIlQTMlRTMlODMlODklRTMlODMlQUQlRTMlODIlQTYlRTMlODMlQkIlRTMlODMlOUIlRTMlODMlOTUlRUYlQkMlODklRTMlODElQUUlRTUlQUQlQTYlRTclQkYlOTIlRTglQTYlOEYlRTUlODklODclRTMlODIlOTJQeXRob24lRTMlODElQTclRTUlQUUlOUYlRTglQTMlODUmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtY2xpcD1lbGxpcHNpcyZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTVmMDdlNzI1ZjJmZGQ5M2M3ZmEyNTExNDNkMWE3NzNj%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwa2lyaWtpLXF3dCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9Y2FlZGQxZGY5MjIyODZiNWIxNTllNTcxMGYxYjBkOTE%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3D13f200875b0bb8e40c13fc3e48b88338)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
Widrow-Hoff(ウィドロウ・ホフ)の学習規則をPythonで実装 - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
Widrow-Hoff(ウィドロウ・ホフ)の学習規則をPythonで実装 - Qiita
この投稿について 前回の「パーセプトロンの学習規則をPythonで実装」に引き続き、 今回はパターン認識... この投稿について 前回の「パーセプトロンの学習規則をPythonで実装」に引き続き、 今回はパターン認識の手法の1つであるWidrow-Hoffの学習規則をライブラリなどを使わずにPythonで実装してみました。 Python、機械学習ともに初心者なので、良くないポイントはご指摘お願いします。 Widrow-Hoffの学習規則の理論 Widrow-Hoffの学習規則の概要や数式については以下のスライドにざっくりとまとめてあります(スライド途中からです)。 下図のような1次元上に存在し、2クラスのいずれかにに属する学習データについて、それぞれのクラスの識別関数を求める。 実装のポイントとしては、 初期の重みベクトルはw=(0.2,0.3)とし、学習係数はρ=0.2とした 重みベクトルの収束判定は行わず、重みベクトルの補正(学習)は十分な回数(100回)繰り返した(本当はよくないんだろうけど、