机器学习实验一 感知器及其应用

Posted 2021-05-18 新梧

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

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及常见的机器学习库，如Scipy、Numpy、Pandas、Matplotlib，sklearn等。
2. 编程实现感知器算法。
3. 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

1. 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()

2. 实验结果截图
   2.1
   2.2
   2.3
   2.4
   2.5
   2.6
   2.7
   2.8