机器学习-实验一
名称 |
内容 |
|---|---|
| 博客班级 | 班级链接 |
| 作业要求 | 作业链接 |
| 学号 | 3180701118 |
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.实验过程及结果
实验代码及注释
import pandas as pd
#Pandas，是python的一个数据分析包，Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
#DataFrame是Python中Pandas库中的一种数据结构，它类似excel，是一种二维表，单元格可以存放数值、字符串等。
import numpy as np
#引用numpy库，它是处理数值计算最为基础的类库
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
#引用画图工具
%matplotlib inline
# load data载入数据
iris = load_iris() #ris数据集（鸢尾花数据集）
df = pd.DataFrame(iris.data, columns=iris.feature_names)
#iris数据集中属性feature_names包括四个：Sepal.Length（花萼长度）、Sepal.Width（花萼宽度）、Petal.Length（花瓣长度）、Petal.Width（花瓣宽度），特征值都为正浮点数，单位为厘米。
df['label'] = iris.target
#iris.target为目标值，目标值为鸢尾花的分类（Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），Iris Virginica（维吉尼亚鸢尾））
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
#获取数据集中的列名
df.label.value_counts()
#value_counts()：计算series里面相同数据出现的频率（次数）；
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
#生成以大小为50的x=Sepal.Length（花萼长度）、y=Sepal.Width（花萼宽度）输入数据，
#即将绘制散点图的数组,其标签为o,颜色为蓝色
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
#生成以大小为50的x=Sepal.Length（花萼长度）、y=Sepal.Width（花萼宽度）输入数据，
#即将绘制散点图的数组,其标签为1,颜色为黄色
#用以区分类别。
plt.xlabel('sepal length')
plt.ylabel('sepal width')
#画出散点图
plt.legend()
data = np.array(df.iloc[:100, [0, 1, -1]])
#iloc取数据：iloc[行位置，列位置]，可以把冒号改成几列列名，只取满足条件的某几列数据。
X, y = data[:,:-1], data[:,-1]
#X特征值矩阵
#y类别
实验结果截图
