机器学习——实验一

Posted 2021-05-16 bycsdn

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了机器学习——实验一相关的知识，希望对你有一定的参考价值。

作业属于课程	机器学习实验—计算机18级
作业要求链接	实验一感知器及其应用
学号	3180701110

实验一感知器及其应用

实验一感知器及其应用
【实验目的】
【实验内容】
【实验过程及结果】
- 实验代码及注释
  - 结果截图
实验小结

【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。

【实验过程及结果】

实验代码及注释

①

#导入包
import pandas as pd
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

#columns是列名（列索引）
df.columns = [\'sepal length\', \'sepal width\', \'petal length\', \'petal width\', \'label\']//将各个列重命名
df.label.value_counts()value_counts//计算相同数据出现的次数

结果截图

④

#画散点图，第一维数据作为x轴，第二维数据作为y轴，[\'sepal length\'，\'sepal width\']特征分布查看
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()

⑤

data = np.array(df.iloc[:100, [0, 1, -1]])#iloc函数：通过行号来取行数据,读取数据前100行的第0,1列和最后一列

⑥

X, y = data[:,:-1], data[:,-1]  //X为sepal length，sepal width y为标签

⑦

y = np.array([1 if i == 1 else -1 for i in y])  //将y的标签设置为1或者-1

⑧

# 定义算法
# 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) #初始w的值
        self.b = 0 #初始b的值为0
        self.l_rate = 0.1 #步长为0.1
        # self.data = data
 
    def sign(self, x, w, b):
        y = np.dot(x, w) + b #dot进行矩阵的乘法运算，y=w*x+b
        return y
 
    #随机梯度下降法
    def fit(self, X_train, y_train):
        is_wrong = False #初始假设有误分点
        while not is_wrong:
            wrong_count = 0 #误分点个数初始为0
            for d in range(len(X_train)):
                X = X_train[d] #取X_train一组及一行数据
                y = y_train[d] #取y_train一组及一行数据
                if y * self.sign(X, self.w, self.b) <= 0: #为误分点
                    self.w = self.w + self.l_rate*np.dot(y, X) #对w和b进行更新
                    self.b = self.b + self.l_rate*y
                    wrong_count += 1 #误分点个数加1
            if wrong_count == 0: #误分点个数为0，算法结束
                is_wrong = True
        return \'Perceptron Model!\'
 
    def score(self):
        pass

⑨

perceptron = Model()
perceptron.fit(X, y)//感知机模型

结果截图

⑩

#绘制模型图像，定义一些基本的信息
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()

结果截图

⑪

from sklearn.linear_model import Perceptron//定义感知机（下面将使用感知机）

⑫

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合

⑬

# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数

⑭

# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数

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()

结果截图