概要

• パーセプトロン は最小の「脳」で、1つの入力に対し Yes/No で答える単純な仕組み
• 重み・バイアス・ループ のみで構成され、現代ニューラルネットワークの基礎
• 決定境界 や バイアスの役割、 学習率、 正規化 の重要性を解説
• Pythonで実装 し、学習の様子やパラメータ更新の流れを観察
• 複数のニューロンを重ねることで、より複雑な問題にも対応可能

パーセプトロンとは何か

• パーセプトロン は1958年にFrank Rosenblattが考案した計算モデル
• ニューロン （脳細胞）を模倣し、入力信号が十分強ければ出力を発火
• 数式： output = 1 if (w · x + b) > 0, 0 otherwise
• x は入力、 w は重み、 b はバイアス
• 入力値に重みをかけて合計し、バイアスを足して閾値（0）を超えたら「Yes」

人間の意思決定との類似

• John Doeの例： 要素（入力）ごとに重み付け して合計、閾値を超えたら決断
• 重み は「どれだけ重要か」、 バイアス は「基準値（閾値）」の役割
• 体言止め： 人間の意思決定プロセス

パーセプトロンの構造

• 複数入力（例：給料・勤務地） × 重み + バイアス → 合計値
• 合計値が0を超えたら「Yes」、それ以外は「No」
• 体言止め： 単純な二値分類器

最も単純な判断：「この数は正か？」

• 入力1つ、 判定基準は0
• 数式： prediction = (weight * value + bias) > 0
• 重み・バイアス は初期値としてランダム
• 体言止め： 単純な分類関数

学習の仕組み

• 予測が間違った場合のみ、重みとバイアスを微調整
• 誤差計算： error = result - prediction
• 更新式： weight += learning_rate * error * value
• learning_rate （学習率）は修正幅を決定
• epoch （エポック）：全データを1周学習
• 体言止め： 逐次的な誤差修正

決定境界とは

• 決定境界 ：出力がFalseからTrueに切り替わる点
• 数式： decision_boundary = -bias / weight
• バイアスがない場合、決定境界は常に0に固定
• 体言止め： 分類の分岐点

バイアスの重要性：合格ラインの例

• 新たな問題： 試験の合格（50点以上）
• バイアスなし では決定境界が0から動かせない
• バイアスあり だと境界を50に設定可能
• 重み は傾きを決定、 バイアス は境界の位置を調整
• 体言止め： バイアスによる柔軟な境界設定

エポックと学習率

• エポック ：データ全体を何度繰り返し学習したか
• 学習率 ：1回の修正の大きさ
• 小さい学習率は安定だが遅い、大きいと速いが不安定
• 体言止め： 学習パラメータの調整

データの正規化の必要性

• 入力値が大きいと、1回の誤りで重みが大きく変動
• 正規化 ：入力を0〜1など小さな範囲に変換
• 異なるスケールの入力要素のバランス調整
• 一般的な方法： 最大値で割る、または 平均・標準偏差で標準化
• 体言止め： 安定した学習のための前処理

Pythonによるパーセプトロン実装

• 重み・バイアス をランダム初期化
• 学習率・エポック数 を設定
• データ生成 ：正の数(True)、負の数(False)を用意
• 逐次的に 予測・誤差計算・重みバイアス更新
• 決定境界 の計算と表示

import random
learning_rate = 0.1
EPOCHS = 100
weight = random.uniform(-1, 1)
bias = random.uniform(-1, 1)
data = [(i * 0.1, True) for i in range(1, 501)]
data += [(i * 0.1, False) for i in range(-500, 0)]
random.shuffle(data)
for epoch in range(EPOCHS):
    for value, result in data:
        prediction = (weight * value + bias) > 0
        if prediction != result:
            error = result - prediction
            weight += learning_rate * error * value
            bias += learning_rate * error
decision_boundary = -bias / weight
print(f"weight = {weight:.3f}")
print(f"bias = {bias:.3f}")
print(f"decision boundary = {decision_boundary:.3f}")

• 学生合格判定 への応用：データを試験点数に変更、バイアスの有無で挙動を比較
• 体言止め： シンプルなパーセプトロンの全体像

まとめと次のステップ

• パーセプトロン は入力を重み付けし、バイアスを加えて判定
• 誤りから学習 し、エポックごとに精度向上
• 単一ニューロン は直線分離までだが、 多層化で複雑な問題に対応
• すべてのニューラルネットワークの基礎となる動作
• 体言止め： 深層学習の出発点としてのパーセプトロン

参考・謝辞

• 本記事のインスピレーション：Welch Labsの動画「The Perceptron」
• 視覚的に学びたい方 におすすめ
• 体言止め： 学習リソースの紹介