实验一 感知器及其应用

Posted 2021-05-18 dd1464

【个人信息】

实验班级	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950
实验要求	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950
学号	3180701316
姓名	李家勇

【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。

【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。

【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！
   【实验代码】
   1、

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

df.columns = [\'sepal length\', \'sepal width\', \'petal length\', \'petal width\', \'label\']
df.label.value_counts()

4

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()

5

data = np.array(df.iloc[:100, [0, 1, -1]])
X, y = data[:,:-1], data[:,-1]
y = np.array([1 if i == 1 else -1 for i in y])

6

class Model:
    def __init__(self):
        self.w = np.ones(len(data[0])-1, dtype=np.float32)
        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):
        is_wrong = False
        while not is_wrong:
            wrong_count = 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:
                is_wrong = True
        return \'Perceptron Model!\'
    def score(self):
        pass

7

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()
from sklearn.linear_model import Perceptron
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)
# Weights assigned to the features.
print(clf.coef_)
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()

实验结果：

实验小结
本次实验使我理解感知机算法的原理了，并且能够实现基本的感知机算法。感知机的算法相对较为简单，通过拟合出一条曲线将不同分类得到的点域分开，对于损失函数的选择也是至关重要的，找不到的话那就意味着类别线性不可分，也就意味着感知机模型不适合你的数据的分类。在今后的学习中，相信能够加以进一步的运用。