Laboratorio interattivo · Percettrone

Percettrone interattivo: dati, rete neurale e grafico

Questa pagina ti permette di mostrare ai tuoi studenti: (1) come funziona un percettrone, (2) come impara sul dataset, (3) come cambia la retta di decisione, (4) la sua struttura come piccola rete neurale.

Dataset di esempio (modificabile)

Aggiungi nuovi punti 2D con classe 0/1

Ogni esempio ha due caratteristiche (x₁, x₂) e una classe bersaglio (y in {0,1}). Il percettrone deve imparare a separare le due classi.

# x₁ x₂ Classe (y)

Suggerimento: dopo aver modificato il dataset, premi Reset percettrone per farlo ripartire da zero sui nuovi dati.

Passi dell’algoritmo

  1. Input: legge x₁ e x₂.
  2. Somma pesata: s = w₁·x₁ + w₂·x₂ + b
  3. Decisione: output = 1 se s ≥ 0, altrimenti 0
  4. Errore: errore = y − output
  5. Aggiornamento (se errore ≠ 0):
    w₁ ← w₁ + η·errore·x₁
    w₂ ← w₂ + η·errore·x₂
    b ← b + η·errore

η è il learning rate (qui 0.1): determina di quanto si muovono i pesi ad ogni errore.

Simulatore di apprendimento

Pesi, rete neurale, grafico e log

Usa i pulsanti per far “studiare” il percettrone sul dataset corrente. Tutto ciò che accade viene mostrato nei pesi, nel disegno della rete, nel grafico e nel log.

w₁: 0.00 w₂: 0.00 bias b: 0.00
Epoca corrente: 0 · Prossimo esempio: 1 · Learning rate η: 0.1

A sinistra: input x₁ e x₂. Al centro: il neurone percettrone. A destra: l’output (classe prevista). Lo spessore e il colore delle linee indicano il segno e la forza dei pesi.

Classe 0 (y = 0)
Classe 1 (y = 1)
Retta di decisione (s = 0)

Nel grafico: asse orizzontale = x₁, asse verticale = x₂. La retta separa le regioni in cui il percettrone produce output 0 o 1.

Log dei passi

Uso didattico suggerito