%% Perceptron Regression

 close all

 clear

 %%load data

 x = load('ex4x.dat');

 y = load('ex4y.dat');

 x=ones(,);

 for i=:

     x(i,)=mod(i,);

     x(i,)=floor(i/);

 end

 for i=:

     if (x(i,)+x(i,))<

         y(i)=;

     else

         y(i)=;

     end

 end

 [m, n] = size(x);

 % Add intercept term to x

 x = [ones(m, ), x];

 %%draw picture

 % find returns the indices of the

 % rows meeting the specified condition

 pos = find(y == );

 neg = find(y == );

 % Assume the features are in the 2nd and 3rd

 % columns of x

 figure('NumberTitle', 'off', 'Name', '感知机');

 plot(x(pos, ), x(pos,), '+');

 hold on;

 plot(x(neg, ), x(neg, ), 'o');

 %进行初始化

 s = ;                     % 标识符，当s=0时，表示迭代终止

 n = ;                     % 表示迭代的次数

 N = ;                 %定义N为最大分类判别次数，判别次数超过此值则认定样本无法分类。

 w= [,,]';                % 取权向量初始值

 % 开始迭代

 while s

     J = ;                % 假设初始的分类全部正确

     for i = :size(pos)

         if (x(pos(i),:)*w)<=   % 查看x1分类是否错误，在x属于w1却被错误分类的情况下，w'x<0

             w = w+x(pos(i),:)';% 分类错误，对权向量进行修正

             J = ;         % 置错误标志位为1

         end

     end

     for i = :size(neg)

         if (x(neg(i),:)*w)>=    % 查看x2分类是否错误，在x属于w2却被错误分类的情况下，w'x>0

             w = w-x(neg(i),:)';% 分类错误，对权向量进行修正

             J = ;         % 置错误标志位为1

         end

     end

     if J==                 % 代价为0，即分类均正确

         s = ;              % 终止迭代

     end

     n = n+;            % 迭代次数加1

     if n == N

         s=;

     end

 end

 w=[;w()/w();w()/w()];

 %%Calculate the decision boundary line

 plot_x = [min(x(:,)),  max(x(:,))];

 plot_y = (-./w()).*(w().*plot_x +w());

 plot(plot_x, plot_y)

 legend('Admitted', 'Not admitted', 'Decision Boundary')

 hold off