实验一 感知器及其应用
| 实验名称 | 感知器及其应用 |
| ---- | ---- | ---- |
| 班级 | 计算机183 | |
|完成人|袁健|
|学号|3180701334|
一、【实验目的】
-
理解感知器算法原理,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。
二、【实验内容】
-
安装Pycharm,注册学生版。
-
安装常见的机器学习库,如Scipy、Numpy、Pandas、Matplotlib,sklearn等。
-
编程实现感知器算法。
-
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]
-
按实验内容撰写实验过程;
-
报告中涉及到的代码,每一行需要有详细的注释;
-
按自己的理解重新组织,禁止粘贴复制实验内容!
四、【实验结果】
随即梯度下降法 Stochastic Gradient Descent
随机抽取一个误分类点使其梯度下降。
当实例点被误分类,即位于分离超平面的错误侧,则调整w, b的值,使分离超平面向该无分类点的一侧移动,直
至误分类点被正确分类
𝑓(𝑥) = 𝑠𝑖𝑔𝑛(𝑤 ∗ 𝑥 + 𝑏)
𝐿(𝑤, 𝑏) = −Σ𝑦𝑖(𝑤 ∗ 𝑥𝑖 + 𝑏)
𝑤 = 𝑤 + 𝜂𝑦𝑖𝑥𝑖
𝑏 = 𝑏 + 𝜂𝑦𝑖
拿出iris数据集中两个分类的数据和[sepal length,sepal width]作为特征
(1).
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline
(2).
df = pd.DataFrame(iris.data, columns=iris.feature_names)//将列名设置为特征
df['label'] = iris.target//增加一列为类别标签
(3).
df.label.value_counts()//确认数据出现的频率
(4).
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')//增加图例
plt.ylabel('sepal width')
plt.legend()
(5).
X, y = data[:,:-1], data[:,-1]
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
(6).
此处为一元一次线性方程
class Model:
def __init__(self)://将参数w1,w2置为1 b置为0 学习率为0.1
self.w = np.ones(len(data[0])-1, dtype=np.float32)//data[0]为第一行的数据len(data[0]=3)这里取两个w权重参数
self.b = 0
self.l_rate = 0.1
self.data = data
def sign(self, x, w, b):
y = np.dot(x, w) + b
return y
随机梯度下降法
def fit(self, X_train, y_train)://拟合训练数据求w和b
is_wrong = False//判断是否误分类
while not is_wrong:
wrong_count = 0
for d in range(len(X_train))://取出样例,不断的迭代
X = X_train[d]
y = y_train[d]
if y * self.sign(X, self.w, self.b) <= 0://根据错误的样本点不断的更新和迭代w和b的值(根据相乘结果是否为负来判断是否出错,本题将0也归为错误
self.w = self.w + self.l_rate*np.dot(y, X)
self.b = self.b + self.l_rate*y
wrong_count += 1
if wrong_count == 0://直到误分类点为0 跳出循环
is_wrong = True
return 'Perceptron Model!'
def score(self):
pass
(7).
perceptron.fit(X, y)
(8).
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
plt.plot(x_points, 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()
(9).
from sklearn.linear_model import Perceptron
(10).
clf.fit(X, y)
(11).
print(clf.coef_)
(12).
print(clf.intercept_)
(13).
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, y_)
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()
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。
------------恢复内容结束------------