zoukankan      html  css  js  c++  java
  • 机器学习 实验一 感知器及其运用

    机器学习 实验一 感知器及其运用

    博客班级 机器学习实验-计算机18级
    作业要求 作业要求
    作业目标 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
    学号 3180701315
    【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!

    【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】
    感知机是线性分类的二分类模型,输入为实例的特征向量,输出为实例的类别,分别用 1 和 -1 表示。感知机将输入空间(特征空间)中的实例划分为正负两类分离的超平面,旨在求出将训练集进行线性划分的超平面,为此,导入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得最优解。

  • 相关阅读:
    .net core 灵活读取配置文件
    SUSE12SP3-Mysql5.7安装
    SUSE12Sp3-MongoDB安装
    SUSE12Sp3-Supervisor 守护.net core进程
    SUSE12Sp3-Nginx安装
    SUSE12Sp3-.NET Core 2.2.1 runtime安装
    搭建consul 集群
    SUSE12Sp3安装配置.net core 生产环境(1)-IP,DNS,网关,SSH,GIT
    使用Consul 实现 MagicOnion(GRpc) 服务注册和发现
    使用MagicOnion实现gRPC
  • 原文地址:https://www.cnblogs.com/lizhen666/p/14777871.html
Copyright © 2011-2022 走看看