感知机及其应用
博客班级 | https://edu.cnblogs.com/campus/ahgc/machinelearning(班级连接) |
---|---|
作业要求 | https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950(作业连接) |
作业目标 | 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。 |
学号 | 3180701227 |
【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。
【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。
【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!
实验代码及注释
import pandas as pd
import numpy as np
#引入数据集
from sklearn.datasets import load_iris
import matplotlib as plt
#load data
iris=load_iris( )
df=pd.DataFrame(iris.data,columns=iris.feature_names)
df['label']=iris.target#获取类别数据#将iris中的目标值赋到df的'label'列
#
df.columns=['sepal length','sepal width','petal length','petal width','label']
df.label.value_counts( ) #每种类别的数量
运行结果:
import matplotlib.pyplot as plt #作图
plt.scatter(df[:50]['sepal length'],df[:50]['sepal width'],label='0')
plt.scatter(df[50:100]['sepal length'],df[50:100]['sepal width'],label='1')
plt.xlabel('sepal length') #x坐标命名
plt.ylabel('sepal width') #y坐标命名
plt.legend( )
运行结果:
data=np.array(df.iloc[:100,[0,1,-1]]) #选取前100行,第一列、第二列、最后一列
X,y=data[:,:-1],data[:,-1]
y=np.array([1 if i ==1 else -1 for i in y]) #把值为“1”的标签定义为“1”,值为“0”的标签定义为“-1”
# 数据线性可分,二分类数据
# 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)
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):
is_wrong = False #假设没有误分点
while not is_wrong:
wrong_count = 0
for d in range(len(X_train)):
X = X_train[d]
y = y_train[d]
if y * self.sign(X, self.w, self.b) <= 0: #分类错误
self.w = self.w + self.l_rate*np.dot(y, X) #重新梯度计算w
self.b = self.b + self.l_rate*y #重新梯度计算b
wrong_count += 1
if wrong_count == 0: #通过梯度计算分类分类正确
is_wrong = True
return 'Perceptron Model!'
def score(self):
pass
perceptron=Model( )
perceptron.fit(X,y)
运行结果:
x_points = np.linspace(4, 7,10)
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
plt.plot(x_points, 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()
运行结果:
from sklearn.linear_model import Perceptron
clf = Perceptron(fit_intercept=False, n_iter_no_change=1000, shuffle=False)
clf.fit(X, y)
# Weights assigned to the features.
print(clf.coef_)
运行结果:
# 截距 Constants in decision function.
print(clf.intercept_)
运行结果:
x_ponits = np.arange(4, 8)
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()
运行结果:
实验小结
(1)通过本次实验理解了感知机模型的算法。
(2)感知机模型作为最简单的分类学习算法是必须要掌握的。
(3)认识到自己代码能力不足,需要多多努力。