实验一 感知器及其应用

这个作业属于哪个课程	机器学习实验
这个作业要求在哪里	感知器及其应用
学号	3180701210

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
1.

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris #载入Fisher的鸢尾花数据
#Matplotlib是Python的一个绘图库
import matplotlib.pyplot as plt  
%matplotlib inline

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

 df.label.value_counts()//确认数据出现的频率

 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()

  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

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

 perceptron.fit(X, y)

  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()

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_)

 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
通过本次实验我熟悉了python代码学会了安装pycharm。让我更近一步了解了如何通过python来实现感知器的相关操作，
以及最小二乘法的相关知识。