Esta ecuación hace posible calcular de manera efficient las salidas de una capa de neuronas artificiales para varios casos a la vez:

Asi que,?cómo se entrena a un perceptron?Cuando son entrenados toman en cuenta el error producido por la red Cuando realization una predicción;la regla de aprendizaje del perceptron informa conexiones que ayudan a reducir el error.Más specificiate,el perceptron se alimenta una instancia de entrenamiento a la vez,y para cada instancia realizauna predicción.para cada neurona de salida que produjo una predicción erronea,refuerza los pesos de conexión de las entradas que habrían contribuido a la predicción correcta

Ecuacion de la regla de aprendizaje de un perceptron(con pesos actualizados):

El limite de decisionón de cada neurona de salida es lineal,por lo tanto los perceptrones son acabilites de aprender customers complejos(como un clasificador de regresión logística).De todas maneras,si las instancias De entrenamiento son separables linealmente,Rosenblatt demostróque este algoritmo puede Converter a una solución.Esto es llamado elteorema De convergencia del perceptron

import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import Perceptron

iris = load_iris()
X = iris.data[:, (2, 3)]
y = (iris.target == 0).astype(np.int)

per_clf = Perceptron()
per_clf.fit(X, y)

y_pred = per_clf.predict([[2, 0.5]])