感知器算法：使用街灯状态预测行人行为

import numpy as np\nweights=np.array([0.5, 0.48, -0.7])\nalpha=0.1\nstreetlights =np.array([[ 1, 0, 1 ], [ 0, 1, 1 ], [ 0, 0, 1 ], [ 1, 1, 1 ], [ 0, 1, 1 ], [ 1, 0, 1 ]])\nwalk_vs_stop =np.array([ 0, 1, 0, 1, 1, 0 ])\ninput=streetlights[0]#[1, 0, 1]\ngoal_prediction =walk_vs_stop[0] #equals 0... i.e. "stop"\nfor iteration in range(20):\n prediction=input.dot(weights)\n error=(goal_prediction-prediction)*2\n delta=prediction-goal_prediction\n weights=weights-(alpha(input*delta))\n print("Error:" + str(error)+" Prediction:"+ str(prediction))\n\n第1行：导入numpy库并将其命名为np。\n第2行：创建一个名为weights的numpy数组，其中包含[0.5, 0.48, -0.7]。\n第3行：设置学习率alpha为0.1。\n第4行：创建一个名为streetlights的numpy数组，其中包含[[1, 0, 1], [0, 1, 1], [0, 0, 1], [1, 1, 1], [0, 1, 1], [1, 0, 1]]，表示六个街灯的状态。\n第5行：创建一个名为walk_vs_stop的numpy数组，其中包含[0, 1, 0, 1, 1, 0]，表示六个街灯对应的行人行为（0表示停止，1表示行走）。\n第6行：设置input为streetlights中的第一个元素[1, 0, 1]，表示第一个街灯的状态。\n第7行：设置目标预测值goal_prediction为walk_vs_stop中的第一个元素0，表示第一个街灯对应的期望行人行为为停止。\n第8行：循环20次进行训练。\n第9行：计算预测值prediction，使用dot函数将input与weights进行点乘得到一个标量值。\n第10行：计算误差error，将期望预测值goal_prediction与实际预测值prediction之差的平方。\n第11行：计算delta，表示实际预测值与期望预测值之间的差异。\n第12行：更新权重weights，使用梯度下降算法，通过减去学习率alpha乘以input乘以delta来更新权重。\n第13行：打印当前循环的误差和预测值。\n最终的代码意思是使用感知器算法训练一个模型，根据街灯的状态来预测行人的行为（停止或行走）。通过迭代训练和更新权重，使得模型能够更准确地预测行人的行为。