übung 3 fertig

Übung 3/SLN.py

@@ -3,7 +3,7 @@ import nnwplot
 import matplotlib.pyplot as plt
 
 
-def ErrorRate(Y, T):
+def error_rate(Y, T):
     if Y.ndim == 1 or Y.shape[0] == 1:
         errors = Y - T
         return errors.sum() / Y.size
@@ -29,15 +29,15 @@ class SLN:
             for i in range(self.dIn):
                 value += X[i, n] * self._W[i][0]
             net[n] += value + self._b[0][0]
-        return net >= 0
+        return net
 
     def delta_train(self, X, T, eta, maxIter, maxErrorRate):
         N = X.shape[1]  # Anzahl Trainingsdaten
         plt.ion()  # interactive mode on
         for it in range(maxIter):
             Y = self.neuron(X)  # nur ein Aufruf
-            err = ErrorRate(Y, T)
-            if (it % 20) == 0:
+            err = error_rate(Y, T)
+            if (it % 10) == 0:
                 print('#{} err:{}\n{}\n{}'.format(it, err, self._W, self._b))
                 nnwplot.plotTwoFeatures(X, T, self.neuron)
                 plt.pause(0.05)  # warte auf GUI event loop (je nach python Version notwendig oder nicht)
@@ -45,7 +45,6 @@ class SLN:
                 break
             # update _W
             for n in range(N):
-                error = T[n] - Y[n]
                 for j in range(self.dIn):
                     weighted_error = err * X[j, n]
                     to_learn = weighted_error * eta