实验一
Posted 卢舒宁
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了实验一相关的知识,希望对你有一定的参考价值。
实验一 感知器及其应用
班级 | 机器学习 |
---|---|
要求 | 作业要求 |
学号 | 3180701307 |
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,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。
三、
【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!
四、
【代码】
1.
#导入需要的包
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline
# 下载数据集
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names) #转化为DataFrame
df[\'label\'] = iris.target
#
df.columns = [\'sepal length\', \'sepal width\', \'petal length\', \'petal width\', \'label\'] #columns获得dataframe里的列,即dataframe的index。
df.label.value_counts() #确认数据出现的频率
#对数据进行可视化
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,取出第0,1,-1列
X, y = data[:,:-1], data[:,-1] #切割矩阵
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
# 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):
self.w = np.ones(len(data[0])-1, dtype=np.float32) #设置w、b初始值
self.b = 0
self.l_rate = 0.1 #设置步长
# self.data = data
def sign(self, x, w, b):
y = np.dot(x, w) + b #矩阵乘法运算
return y
# 随机梯度下降法
def fit(self, X_train, y_train):
is_wrong = False #初始假设误分点
while not is_wrong:
wrong_count = 0 #初始化wrong点数为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: #误分点判断
self.w = self.w + self.l_rate*np.dot(y, X) #计算新的w和b并进行更新
self.b = self.b + self.l_rate*y
wrong_count += 1 #误分点个数加一
if wrong_count == 0: #误分点个数为0时算法结束
is_wrong = True
return \'Perceptron Model!\'
def score(self):
pass
perceptron = Model() #生成算法对象并代入算法
perceptron.fit(X, y)
#绘制超平面散点图
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()
from sklearn.linear_model import Perceptron #导入感知机模型
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False) #训练数据进行拟合
clf.fit(X, y)
#权值w参数
print(clf.coef_)
# 截距 Constants in decision function.
print(clf.intercept_)
#绘制更新后的超平面
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()
五、
【小结】:
二分类模型
$f(x) = sign(wx + b)$
损失函数 $L(w, b) = -\\Sigma{y_{i}(wx_{i} + b)}$
算法
随即梯度下降法 Stochastic Gradient Descent随机抽取一个误分类点使其梯度下降。
$w = w + \\eta y_{i}x_{i}$
$b = b + \\eta y_{i}$
当实例点被误分类,即位于分离超平面的错误侧,则调整w, b的值,使分离超平面向该无分类点的一侧移动,直至误分类点被正确分类
拿出iris数据集中两个分类的数据和[sepal length,sepal width]作为特征。
以上是关于实验一的主要内容,如果未能解决你的问题,请参考以下文章