标签：感知器 机器 self 50 sepal plt 实验 data
| 博客班级 | 机器学习 |
|---|---|
| 作业要求 | 作业链接 |
| 实验目标 | 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 | 3180402121 |
目录
一. 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。
二. 实验内容
- 安装Pycharm及常见的机器学习库，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。
三. 实验过程及结果
- 代码块
1.1
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline
1.2
%# load data
iris = load_iris()
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
1.3
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']//将各个列重命名
df.label.value_counts()value_counts//确认数据出现的频率
1.4
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')//绘制散点图
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')//给图加上图例
plt.ylabel('sepal width')
plt.legend()
1.5
data = np.array(df.iloc[:100, [0, 1, -1]])//按行索引,取出第0，1，-1列
1.6
X, y = data[:,:-1], data[:,-1]//X为sepal length，sepal width y为标签
1.7
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
1.8
%# 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)://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_ratenp.dot(y, X)
self.b = self.b + self.l_ratey
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
1.9
perceptron = Model()
perceptron.fit(X, y)//感知机模型
1.10
x_points = np.linspace(4, 7,10)//x轴的划分
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
plt.plot(x_points, y_)//绘制模型图像（数据、颜色、图例等信息）
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()
1.11
from sklearn.linear_model import Perceptron//定义感知机（下面将使用感知机）
1.12
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合
1.13
%# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数
1.14
%# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数
1.15
x_ponits = np.arange(4, 8)//确定x轴和y轴的值
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, 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()
- 实验结果截图
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
标签：感知器,机器,self,50,sepal,plt,实验,data 来源： https://www.cnblogs.com/xinxinwuwu/p/14779252.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。