Мы погуляли в фруктовом саду и собрали следующие данные про несколько обнаруженных там фруктов: желтизна симметричность это груша? 1 1 0.3 да 2 0.4 0.5 да 3 0.7 0.8 нет Пусть у нас есть перцептрон с весами (0, 0) и смещением 0. Обучите его на приведённых

Добавлена: 10.04.2026
Обновлена: 10.04.2026
Предмет: Экономика труда
Автор: Кэмп

#Прикладная эконометрика
#Эконометрическое моделирование финансовых потоков

Условие:

Мы погуляли в фруктовом саду и собрали следующие данные про несколько обнаруженных там фруктов:

желтизна
симметричность
это груша?
1
1
0.3
да
2
0.4
0.5
да
3
0.7
0.8
нет
Пусть у нас есть перцептрон с весами (0, 0) и смещением 0.

Обучите его на приведённых данных различать груши и не груши (пока не надо обучать до сходимости: просто примените обучающее правило последовательно по одному разу на каждом примере, всего у вас получится 3 последовательных применения обучающего правила).

Напишите в ответе через запятую получившиеся у вас смещение, вес для желтизны фрукта и вес для его симметричности (только итоговые, не надо писать результаты каждого шага).

Решение:

1. Дано

У нас есть три признака:

$x_1$ : Желтизна
$x_2$ : Симметричность
$y$ : Это груша? (1 — да, 0 — нет)

Входные данные (Примеры):

Пример ( $i$ )	$x_{i1}$ (Желтизна)	$x_{i2}$ (Симметричность)	$y_i$ (Целевое значение)
1	1	0.3	1 (да)
2	0.4	0.5	1 (да)
3	0.7	0.8	0 (нет...

Внутри — полный разбор, аргументация, алгоритм решения, частые ошибки и как отвечать на каверзные вопросы препода, если спросит

Попробуй решить по шагам

Попробуй один шаг и продолжи в режиме обучения или посмотри готовое решение

Какое значение примет функция активации перцептрона, если взвешенная сумма $z$ равна 0?

0.5

Что нужно знать по теме:

Что нужно знать по теме

Перцептрон — это простейшая модель нейронной сети, которая принимает на вход несколько числовых значений, умножает их на соответствующие веса, суммирует со смещением (bias) и пропускает результат через функцию активации для получения выходного значения.
Функция активации перцептрона обычно является пороговой (ступенчатой), возвращающей 1, если взвешенная сумма больше или равна порогу (часто 0), и 0 в противном случае.
Обучение перцептрона происходит путём корректировки весов и смещения, если предсказанное значение не совпадает с истинным. Корректировка выполняется по правилу: $w_{новое} = w_{старое} + \eta \cdot (y_{истинное} - y_{предсказанное}) \cdot x$ и $b_{новое} = b_{старое} + \eta \cdot (y_{истинное} - y_{предсказанное})$ , где $\eta$ — скорость обучения.
Скорость обучения ( $\eta$ ) определяет, насколько сильно изменяются веса и смещение при каждой корректировке. Если она не указана, часто принимается равной 1.
Процесс обучения перцептрона включает последовательную подачу обучающих примеров и корректировку параметров при каждой ошибке, пока перцептрон не сможет правильно классифицировать все примеры (для линейно разделимых данных).