Perception-Machine

程式執行說明：

• 一開始的畫面
  
• 按下右上角的「Open File」→匯入資料集→「Input」方框顯示資料集
• 輸入學習率、訓練準確率和迭代次數，並按下右下角的「Train」
  →顯示訓練結果(圖形、左下角的「Training Accuracy」顯示訓練準確率、「Weight Vector」顯示訓練後的鍵結值、「Output」方框顯示訓練過程中鍵結值的變化)

 

• 按下右下角的「Test」，顯示測試結果(圖形、左下角的「Testing Accuracy」顯示測試準確率)

程式簡介：

• Main.java：
  建立主要的GUI介面，先將讀入的資料夾依照期望值做排序分成兩類，並將期望值正規化成(-1, 1)方便感知機做處理，若資料集的數量少於10筆，則不會將資料集分成訓練和測試兩種，全部資料集將都會進行訓練。感知機訓練前先隨機初始化鍵結值(w[0], w[1], w[2])，範圍為[0, 1]，閥值為-1，在迭代次數內或未達到訓練準確率時，用資料集和鍵結值計算出一個值，若這個值 > 0(or < 0)，但期望值 < 0(or > 0)，則調整鍵結值，反之，鍵結值不變。
  訓練完成後將資料集和鍵結值傳到Plot.java進行繪圖工作
• Plot.java：
  繪製資料集(訓練+測試)的點和感知機訓練後的線  
• 實驗結果(兩類、二維、簡單感知機)
  • 2Ccircle1.txt(訓練)
  • 2Ccircle1.txt(測試)
  • 2CloseS2.txt(訓練)
  • 2CloseS2.txt(測試)
  • 2CS.txt(訓練)
  • 2CS.txt(測試)

實驗結果分析及討論。<含鍵結值、訓練次數、學習率、訓練正確率、測試正確率等等討論>  

• 第一個實驗結果：
  由於只是簡單的感知機，故無法以一條線做分兩類的工作
  訓練正確率和測試正確率等於A類數量/總資料集  
• 第二個實驗結果：
  目測是可以正常分類的資料集，程式也如預期的達到訓練正確率，但沒想到才迭代沒幾次就可以達到訓練正確率100%，可能是一開始隨機的鏈結值很接近理想的鍵結值  
• 第三個實驗結果：
  目測是可以正常分類的資料集，但是不管訓練率或迭代次數怎麼改都不太能達到良好的訓練正確率，也重新審視過程式使用的公式，但還是找不到原因是什麼