实验一 感知器及其应用
实验一 感知器及其应用
一、个人信息
| 实验班级 | https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950 |
|---|---|
| 实验要求 | https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950 |
| 学号 | 3180701340 |
| 姓名 | 童波 |
二、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。
三、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。
四、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、实验代码
1、
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline
2
# load data
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target
3
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
df.label.value_counts()
4
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')
plt.ylabel('sepal width')
plt.legend()
5
data = np.array(df.iloc[:100, [0, 1, -1]])
X, y = data[:,:-1], data[:,-1]
y = np.array([1 if i == 1 else -1 for i in y])
6
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
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:
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:
is_wrong = True
return 'Perceptron Model!'
def score(self):
pass
7
perceptron = Model()
perceptron.fit(X, y)
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()
from sklearn.linear_model import Perceptron
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)
# Weights assigned to the features.
print(clf.coef_)
print(clf.intercept_)
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()
五、实验结果截图
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
六、实验小结
此次实验中，安装了pycharm，并且利用Python语言实现了感知机算法，感知机的算法相对较为简单，通过拟合出一条曲线将不同分类得到的点域分开，对于损失函数的选择也是至关重要的，找不到的话那就意味着类别线性不可分，也就意味着感知机模型不适合你的数据的分类。使用感知机一个最大的前提，就是数据是线性可分的。
