机器学习 实验一 感知器及其运用

名称	内容
课程班级	班级连接
作业要求	实验一 感知器及其应用
学号	3180701313

【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！

【代码解读及运行结果】

# 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

结果：

# 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()

结果：

# 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

结果：

# 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()

结果：

# 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)

结果：

print(clf.coef_)  # 权值w参数
print(clf.intercept_)  # 偏置b参数

结果：

# 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()

结果：

【实验小结】

感知机算法是二类分类的线性分类模型，它的思想就是在一个二维空间中寻找一条直线将红点和蓝点分开，类比到高维空间中，感知机模型尝试寻找一个超平面，将所有二元类别分开。
在本次实验中通过阅读代码观察代码运行的结果进一步的熟悉了感知机算法的思想以及实现过程。