实验一 感知器及其应用
感知器及其应用
| 博客班级 | AHPU机器学习 |
-|-|-
| 博客班级 | 班级链接 |
| 作业要求 | 作业链接 |
| 学号 | 3180701308 |
目录
一.实验目的
1.理解感知器算法原理，能实现感知器算法；
2.掌握机器学习算法的度量指标；
3.掌握最小二乘法进行参数估计基本原理；
4.针对特定应用场景及数据，能构建感知器模型并进行预测。
二.实验内容
1.安装Pycharm，注册学生版。
2.安装常见的机器学习库，如Scipy、Numpy、Pandas、Matplotlib，sklearn等。
3.编程实现感知器算法。
4.熟悉iris数据集，并能使用感知器算法对该数据集构建模型并应用
三、实验报告要求
1.按实验内容撰写实验过程；
2.报告中涉及到的代码，每一行需要有详细的注释；
3.按自己的理解重新组织，禁止粘贴复制实验内容！
四.实验过程及结果
实验代码及注释
(1)
#导入包
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline
(2)
%# load data
iris = load_iris() #iris数据集
df = pd.DataFrame(iris.data, columns=iris.feature_names)//获取列的属性值
df['label'] = iris.target//增加一列为类别标签
(3)
#columns是列名（列索引）
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']//将各个列重命名
df.label.value_counts()value_counts//计算相同数据出现的次数
结果截图
(4)
%#画两分类散点图
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')//绘制散点图
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')//给图加上图例
plt.ylabel('sepal width')
plt.legend()
结果截图
（5）
data = np.array(df.iloc[:100, [0, 1, -1]])//按行索引,取出第0，1，-1列
(6)
X, y = data[:,:-1], data[:,-1]//X为sepal length，sepal width y为标签
（7）
y = np.array([1 if i == 1 else -1 for i in y])//将两个类别设重新设置为+1 —1
（8）
# 定义算法
# 此处为一元一次线性方程
class Model:
def __init__(self):
self.w = np.ones(len(data[0])-1, dtype=np.float32) #初始w的值
self.b = 0 #初始b的值为0
self.l_rate = 0.1 #步长为0.1
# self.data = data
def sign(self, x, w, b):
y = np.dot(x, w) + b #dot进行矩阵的乘法运算，y=w*x+b
return y
#随机梯度下降法
def fit(self, X_train, y_train):
is_wrong = False #初始假设有误分点
while not is_wrong:
wrong_count = 0 #误分点个数初始为0
for d in range(len(X_train)):
X = X_train[d] #取X_train一组及一行数据
y = y_train[d] #取y_train一组及一行数据
if y * self.sign(X, self.w, self.b) <= 0: #为误分点
self.w = self.w + self.l_rate*np.dot(y, X) #对w和b进行更新
self.b = self.b + self.l_rate*y
wrong_count += 1 #误分点个数加1
if wrong_count == 0: #误分点个数为0，算法结束
is_wrong = True
return 'Perceptron Model!'
def score(self):
pass
（9）
perceptron = Model()
perceptron.fit(X, y)//感知机模型
结果截图
（10）
绘制模型图像，定义一些基本的信息
x_points = np.linspace(4, 7,10)//x轴的划分
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
plt.plot(x_points, y_)//绘制模型图像（数据、颜色、图例等信息）
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
结果截图
（11）
from sklearn.linear_model import Perceptron//定义感知机（下面将使用感知机）
（12）
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合
结果截图
（13）
%# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数
（14）
%# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数
（15）
x_ponits = np.arange(4, 8)//确定x轴和y轴的值
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, y_)//确定拟合的图像的具体信息（数据点，线，大小，粗细颜色等内容）
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
结果截图
五.实验小结
这节课熟悉了python代码已经安装了pycharm。通过这次实验，让我理解了感知器算法原理，能实现感知器算法；掌握机器学习算法的度量指标；掌握最小二乘法进行参数估计基本原理；针对特定应用场景及数据，能构建感知器模型并进行预测。
