# 感知机_全连接神经网络的构建

**Repository Path**: he-ruixue/experiment2

## Basic Information

- **Project Name**: 感知机_全连接神经网络的构建
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-04-02
- **Last Updated**: 2024-06-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 感知机_全连接神经网络的构建

### 实验目的：

    了解感知机（Perceptron）的基本原理和工作方式。
    掌握如何使用Python和相关库构建感知机和全连接神经网络模型。
    进行简单的模式分类实验，比较感知机和全连接神经网络在模式分类任务上的性能差异。

### 实验步骤：
#### 数据准备：
        使用make_classification函数生成模拟数据集。
        将数据集划分为训练集和测试集。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240406210226.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240406210235.png)
#### 感知机模型：
        定义感知机模型类。
        感知机模型训练过程中通过迭代更新权重，实现模型的学习。
        使用训练好的感知机模型对测试集进行预测，并评估模型性能。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240406210244.png)
#### 全连接神经网络模型：
        定义全连接神经网络模型类。
        使用随机初始化的权重矩阵进行模型构建。
        使用relu激活函数实现前向传播。
        实现反向传播算法，通过梯度下降更新权重。
        训练神经网络模型，并对测试集进行预测，评估模型性能。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240406210256.png)
#### 性能评估：
        使用准确率（accuracy）作为性能评估指标。
        比较感知机和全连接神经网络在测试集上的准确率。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240406210320.png)
### 结果分析：
        分析感知机和全连接神经网络在模式分类任务上的性能表现差异。
        讨论可能的原因，如神经网络具有更强的非线性建模能力等。

### 实验结论：

    实验结果表明，全连接神经网络在模式分类任务上的性能优于感知机。
    这是因为神经网络能够学习更复杂的模式，并且具有更强的非线性建模能力。
    通过调整模型的参数和架构，可以进一步提高神经网络的性能，如增加隐藏层节点数、增加迭代次数等。