实验一 感知器及其应用

Posted 2021-05-16 昨天是周几

实验一 感知器及其应用

作业信息

博客班级	博客班级链接
作业要求	作业要求链接
作业目标	理解感知器算法原理，能实现感知器算法
学号	3180701125

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

获取数据

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris # 导入数据
import matplotlib.pyplot as plt 
%matplotlib inline

# load data
iris = load_iris() #获取数据
df = pd.DataFrame(iris.data, columns=iris.feature_names)# 获取列的属性值
df[\'label\'] = iris.target# 增加一个新列

df.columns = [\'sepal length\', \'sepal width\', \'petal length\', \'petal width\', \'label\'] # 重命名各个列
df.label.value_counts() # 计算label列0、1、2出现的次数

"""
绘制散点图
"""
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()

data = np.array(df.iloc[:100, [0, 1, -1]])# 按行索引,取前100行,取第0，1列以及最后1列

X, y = data[:,:-1], data[:,-1] #X: {ndarray:(100, 2)}  y: {ndarray:(100, )}

y = np.array([1 if i == 1 else -1 for i in y])# 将存在y中的数据为0的值改为-1

运行结果

编写感知机模型

# 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):# 初始化数据
        self.w = np.ones(len(data[0]) - 1, dtype=np.float32)
        self.b = 0
        self.l_rate = 0.1 
        # self.data = data

    """
    numpy.dot() 对于两个一维的数组，计算的是这两个数组对应下标元素的乘积和(数学上称之为内积)；对于二维数组，计算的是两个数组的矩阵乘积；对于多维数组，它的通用计算公式如下，即结果数组中的每个元素都是：数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和： dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
    """
    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# 初始设置错误次数为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:# 误分点数目为0跳出循环
                is_wrong = True
        return \'Perceptron Model!\'


    def score(self):
        pass

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()

运行结果

使用第三方包的感知机模型

from sklearn.linear_model import Perceptron# 使用scikit-learn自带的感知机模型

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)# 配置导入的感知机模型
clf.fit(X, y)# 使用上面的训练数据代入模型中进行训练

# Weights assigned to the features.
print(clf.coef_)

# 截距 Constants in decision function.
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()

运行结果

四、实验小结

通过本次实验使我对感知机模型有了进一步的认识，感知机（perceptron）是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面。在实验过程中使我熟悉了iris数据集，同时能够使用感知器算法对该数据集构建模型并应用，初步具备针对特定应用场景及数据，构建感知器模型并进行预测的能力。