##
# Пример перцептрона с его обучением
##
import numpy as np

# Текущий вес перцептрона
w = np.array([0,0,0])

# Примеры и правильные ответы для этих примеров
examples = np.array([[1,1,0.3], [1,0.4, 0.5], [0, 0.7, 0.8]])


def Target(ex):
	if ex[1] == 1 and ex[2] == 0.3:
		return 1
	elif ex[1] == 0.4 and ex[2] == 0.5:
		return 1
	elif ex[1] == 0.7 and ex[2] == 0.8:
		return 0

#
# Функция нужна для предсказания значения
#
def Predict(example):
	sum = example[0]*w[0]+example[1]*w[1]+example[2]*w[2]
	print("Пример ", example)
	print("Сумма ", sum)
	if (sum > 0):
		return 1
	else:
		return 0
#
# Алгоритм обучения
#
perfect = False
while not perfect:
	perfect = True
	for e in examples:
		# Для всех примеров, которые мы составили для тренировки
		# Если предсказанное значение для этого примера не равно
		# целевому значению этого примера, то нейрон что-то классифицировал
		# не идеально
		if Predict(e) != Target(e):
			perfect = False
			# В первом случае:
			# Если мы предсказали 0 и ошиблись,
			# то значит правильным ответом должна быть единица
			# т.е. мы должны прибавить к нашим весам значение нашего примера
			if Predict(e) == 0:
				w = w + e
			# В другом случае тоже самое, но наоборот
			else:
				w = w - e
			print("Новык веса ", w)

print("Финальные веса ", w)