'''
感知机(Perceptron)
1957年由Rosenblatt提出，是神经网络与支持向量机的基础。
感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形式
输入为实例的特征向量，输出为实例的类别，取+1和-1
感知机对应于输入空间中将实例划分为正负两类的分离超平面，属于判别模型
导入基于误分类的损失函数
利用梯度下降法对损失函数进行极小化
'''
import numpy as np

class Dual_Perceptron(object):
    
    def __init__(self, X, y,  eta = 1, n_iter = 100):
        self.eta = eta
        self.n_iter = n_iter
        
    def fit(self, X, y):
        self.errors_ = []
        self.Remp_ = []
        self.Gram = np.zeros((len(X), len(X)))
        for i in np.arange(len(X)):
            for j in np.arange(len(X)):
                self.Gram[i,j] = self.Gram[j,i] = X[i] @ X[j] + 1    
        self.alpha = np.zeros(len(X))
        self.b = 0
        self._L = y * self.alpha @ self.Gram
        n = 1
        while np.any(self._L <= 0) and n <= self.n_iter:
            error_id = np.argmax(self._L <= 0)
            self.alpha[error_id] += self.eta
            self.b += self.eta * y[error_id]
            self._L = y * (y * self.alpha @ self.Gram)
            Remp = -1 * np.sum(self._L[self._L <= 0])
            print(f'Round {n}: alpha: {self.alpha}, Remp: {Remp}')
            self.errors_.append(np.sum(self._L <= 0))
            self.Remp_.append(Remp)
            n += 1
            
        self.w = self.alpha * y @ X
        print(f'w: {self.w}, b: {self.b}')
            
    def predict(self, X):
        return np.sign(X @ self.w + self.b)