感知机模型实现
1、python自编程实现:
import numpy as np import matplotlib.pyplot as plt class MyPerceptron: def __init__(self): self.w=None # 参数w的个数与x的特征数量对应,初始并不知道x的特征个数,故赋值None self.b=0 self.l_rate=1 # 学习率 = 1 def fit(self,X_train,y_train): #用样本点的特征数更新初始w,如x1=(3,3)T,有两个特征,则self.w=[0,0] self.w=np.zeros(X_train.shape[1]) i=0 while i<X_train.shape[0]: X=X_train[i] y=y_train[i] # 如果y*(wx+b)≤0 说明是误判点,更新w,b if y*(np.dot(self.w, X) + self.b) <= 0: self.w = self.w + self.l_rate * np.dot(y, X) self.b = self.b + self.l_rate * y i=0 #如果是误判点,从头进行检测 else: i+=1 def draw(X,w,b): #生产分离超平面上的两点 X_new=np.array([[0], [6]]) y_predict=-b-(w[0]*X_new)/w[1] #绘制训练数据集的散点图 plt.plot(X[:2,0],X[:2,1],"g*",label="1") plt.plot(X[2:,0], X[2:,0], "rx",label="-1") #绘制分离超平面 plt.plot(X_new,y_predict,"b-") #设置两坐标轴起止值 plt.axis([0,6,0,6]) #设置坐标轴标签 plt.xlabel('x1') plt.ylabel('x2') #显示图例 plt.legend() #显示图像 plt.show() def main(): # 构造训练数据集 X_train=np.array([[3,3],[4,3],[1,1]]) y_train=np.array([1,1,-1]) # 构建感知机对象,对数据集继续训练 perceptron=MyPerceptron() perceptron.fit(X_train,y_train) print(perceptron.w) print(perceptron.b) # 结果图像绘制 draw(X_train,perceptron.w,perceptron.b) if __name__=="__main__": main()
2、调用sklearn实现:
from sklearn.linear_model import Perceptron import numpy as np X_train = np.array([[3, 3], [4, 3], [1, 1]]) y = np.array([1, 1, -1]) perceptron=Perceptron() perceptron.fit(X_train,y) print("w:",perceptron.coef_,"\n","b:",perceptron.intercept_,"\n","n_iter:",perceptron.n_iter_) res=perceptron.score(X_train,y) print("correct rate:{:.0%}".format(res))
参考:深度之眼《统计学习方法》课程--感知机课后作业