übung 3

Übung 3/SLN.py

@@ -5,7 +5,7 @@ import matplotlib.pyplot as plt
 
 def ErrorRate(Y, T):
     if Y.ndim == 1 or Y.shape[0] == 1:
-        errors = Y != T
+        errors = Y - T
         return errors.sum() / Y.size
     else:  # für mehrere Ausgaben in one-hot Kodierung:
         errors = Y.argmax(0) != T.argmax(0)
@@ -28,8 +28,8 @@ class SLN:
             value = 0
             for i in range(self.dIn):
                 value += X[i, n] * self._W[i][0]
-            net[n] += value
-        return net > self._b[0]
+            net[n] += value + self._b[0][0]
+        return net >= 0
 
     def delta_train(self, X, T, eta, maxIter, maxErrorRate):
         N = X.shape[1]  # Anzahl Trainingsdaten
@@ -37,23 +37,21 @@ class SLN:
         for it in range(maxIter):
             Y = self.neuron(X)  # nur ein Aufruf
             err = ErrorRate(Y, T)
-            # if (it % 20) == 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)
+            if (it % 20) == 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)
             if err <= maxErrorRate:
                 break
             # update _W
-            total_to_learn = 0
             for n in range(N):
                 error = T[n] - Y[n]
                 for j in range(self.dIn):
-                    weighted_error = error * X[j, n]
+                    weighted_error = err * X[j, n]
                     to_learn = weighted_error * eta
-                    print("{:.2f} = {} * {} * {}".format(to_learn, error, X[j, n], eta))
-                    total_to_learn += to_learn
-            print(total_to_learn)
-            self._W[j, 0] += total_to_learn
+                    #print("{:.2f} = {} * {} * {}".format(to_learn, err, X[j, n], eta))
+                    self._W[j, 0] += to_learn
+                    self._b[0][0] -= to_learn
             # update _b
             ...
         print('#{} err:{}\n{}\n{}'.format(it, err, self._W, self._b))