import numpy as np
import urllib.request
import matplotlib.pyplot as plt

points=np.loadtxt('elemek.txt')    # ha lementettük az adatokat

# vagy: 
#points = np.loadtxt(urllib.request.urlopen('https://arato.inf.unideb.hu/baran.agnes/NH2017/elemek.txt'))

##################################

# points[points[:,2]==-1,:2]+= 2    # Ha pl. a -1-gyel címkézett pontok mindkét koordinátájához hozzáadunk 2-t

##################################

A=points[points[:,2]==1,:2]
B=points[points[:,2]==-1,:2]

##################################

eta = 1
R2=np.max(points[:,0]**2+points[:,1]**2)               # max norma négyzet
w = np.zeros((2,1))                                    # 0 kezdősúlyok
b=0
k=0

x=points[:,:2]
y=points[:,2]

while True:
    corr=0
    for i in range(400):
        if y[i]*(np.dot(x[i,].reshape(1,2),w)+b)<=0:
            w=(w.T+eta*y[i]*x[i,]).T
            b=b+eta*y[i]*(R2)
            k+=1
            corr=1
    if corr==0:
        break

t = np.arange(-7.5,16.5, 0.2)             # egyenes abrazoláshoz

plt.plot(A[:,0],A[:,1],'bo')                    # +1-esek
plt.plot(B[:,0],B[:,1],'r*')                    # -1-esek
plt.plot(t,-w[0,]/w[1,]*t-b/w[1,],'g')
plt.show()

print("A szükséges korrekciók száma: ",k)
print("Az eljárás végén kapott súlyok: w=",w)
print("Az eljárás végén kapott torzítás: b=",b)

################################################
################################################

# Ha ábrázolni szeretnénk a hiba alakulását az epochok függvényében:

import numpy as np
import urllib.request
import matplotlib.pyplot as plt

points=np.loadtxt('elemek.txt')

##################################

#points[points[:,2]==-1,:2]+= 2    # Ha pl. a -1-gyel címkézett pontok mindkét koordinátájához hozzáadunk 2-t

##################################

A=points[points[:,2]==1,:2]
B=points[points[:,2]==-1,:2]

##################################

eta = 1
R2=np.max(points[:,0]**2+points[:,1]**2)               # max norma negyzet
w = np.zeros((2,1))                                    # 0 kezdosulyok
b=0
k=0

n = 200                         # ha az epochok szamat maximalizálni akarjuk
errors =np.empty(0)             # kezdeti üres vektor, ebbe fogjuk belerakni minden epoch végén a hibát

x=points[:,:2]
y=points[:,2]

while True:
#for j in range(n):                      # előző sor helyett ez kell, ha maximalizálni akarjuk az epochok számát
    corr=0
    for i in range(400):
        if y[i]*(np.dot(x[i,].reshape(1,2),w)+b)<=0:
            w=(w.T+eta*y[i]*x[i,]).T
            b=b+eta*y[i]*(R2)
            k+=1
            corr=1
    error=0
    for i in range(400):
        error=error+(np.sign(np.dot(x[i,].reshape(1,2),w)+b)-y[i])**2
    errors=np.append(errors,error)
    if corr==0:
    #if corr==0 or j==n:                # előző sor helyett ez kell, ha maximalizálni akarjuk az epochok számát
        break

# hiba alakulasa

plt.plot(errors)
plt.xlabel("Epochok száma")
plt.ylabel("Hiba")
plt.show()
#print("A szükséges epochok száma: ",j+1)

################################################
################################################

A scikit learn library beépített Perceptron függvényével is megoldhatjuk a feladatot:

from sklearn.linear_model import Perceptron

net=Perceptron()                       # hálózat elkészítése
                                       # opcionális argumentumok: n_iter=50, verbose=1
net.fit(x,y)                           # a hálózat illesztése, tanítás

print(net.predict([[-5,0]]))                  # mit rendel hozzá a hálózat a (-5,0) ponthoz?

w=net.coef_                           # kapott súlyok
b=net.intercept_                      # kapott torzítás

t = np.arange(-7.5,13, 0.2)             # egyenes abrazolashoz

plt.plot(A[:,0],A[:,1],'bo')                    # +1-esek
plt.plot(B[:,0],B[:,1],'r*')                    # -1-esek
plt.plot(t,-w2[:,0]/w2[:,1]*t-b2/w2[:,1],'g')
plt.show()

print(w)
print(b)