实验一感知器及其应用
Posted Azuy
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了实验一感知器及其应用相关的知识,希望对你有一定的参考价值。
名称 | 内容 |
---|---|
课程班级 | 计算机181 |
作业要求 | https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950 |
学号 | 3180701123 |
【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。
【实验报告要求】
-
按实验内容撰写实验过程;
-
报告中涉及到的代码,每一行需要有详细的注释;
-
按自己的理解重新组织,禁止粘贴复制实验内容!
# 导入包 import pandas as pd import numpy as np from sklearn.datasets import load_iris import matplotlib.pyplot as plt %matplotlib inline
# 下载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)#生成表格
df[\'label\'] = iris.target
# 统计鸢尾花的种类与个数
df.columns = [\'sepal length\', \'sepal width\', \'petal length\', \'petal width\', \'label\']
df.label.value_counts()
# value_counts() 函数可以对df里面label每个值进行计数并且排序,默认是降序
# 画数据的散点图
plt.scatter(df[:50][\'sepal length\'], df[:50][\'sepal width\'], label=\'0\') # 将数据的前50个数据绘制散点图
plt.scatter(df[50:100][\'sepal length\'], df[50:100][\'sepal width\'], label=\'1\') # 将数据的50-100之间的数据绘制成散点图
plt.xlabel(\'sepal length\') # 给x坐标命名
plt.ylabel(\'sepal width\') # 给y坐标命名
plt.legend()
# 对数据进行预处理
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
X, y = data[:,:-1], data[:,-1] # X为data数据中除去最后一列的数据,y为data数据的最后一列(y中有两类0和1)
y = np.array([1 if i == 1 else -1 for i in y]) # 将y中的两类(0和1)改为(-1和1)两类
# 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 # 进行矩阵的乘法运算
return y
# 随机梯度下降
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
# 运行感知机算法
perceptron = Model()# 生成一个算法对象
perceptron.fit(X, y) # 将测试数据代入算法中
# 绘制超平面
x_points = np.linspace(4, 7,10) # 用于产生4,7之间的10点行矢量
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1] # 绘制超平面
plt.plot(x_points, y_)
plt.plot(data[:50, 0], data[:50, 1], \'bo\', color=\'blue\', label=\'0\') # 将数据的前50个数据绘制散点图
plt.plot(data[50:100, 0], data[50:100, 1], \'bo\', color=\'orange\', label=\'1\') # 将数据的50-100之间的数据绘制成散点图
plt.xlabel(\'sepal length\')
plt.ylabel(\'sepal width\')
plt.legend()
# 生成sklearn结果与上面手写函数的结果对比
from sklearn.linear_model import Perceptron # 导入感知机模型
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)
# 绘制sklearn结果的散点图
x_ponits = np.arange(4, 8) # x,为4,5,6,7,默认步长为1,起始为4,终止为8,不取8
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1] # 绘制超平面
plt.plot(x_ponits, y_)
plt.plot(data[:50, 0], data[:50, 1], \'bo\', color=\'blue\', label=\'0\') # 将数据的前50个数据绘制散点图
plt.plot(data[50:100, 0], data[50:100, 1], \'bo\', color=\'orange\', label=\'1\') # 将数据的50-100之间的数据绘制成散点图
plt.xlabel(\'sepal length\')
plt.ylabel(\'sepal width\')
plt.legend()
【实验小结】
这次实验,加强上机实践。在本次综合实验中,我明白了理论与实际应用相结合的重要性。培养了基本的、良好的程序技能以及合作能力。这次实验同样提高了我的综合运用所学知识的能力。
以上是关于实验一感知器及其应用的主要内容,如果未能解决你的问题,请参考以下文章