实验一 感知器及其应用

---

博客班级	机器学习
作业要求	实验一 感知器及其应用
作业目标	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	3180701211
目录 一.实验目的 二.实验内容 三.实验过程和结果 四.实验小结 1.psp表格 2.心得和经验

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，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

三.实验过程和结果

1、代码注释：

#Pandas，是python的一个数据分析包，Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。
#Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
#matplotlib是python的一个绘图库
%matplotlib inline

运行截图：

2、代码注释：

#load data
iris=load_iris()
#DataFrame是Python中Pandas库中的一种数据结构它类似excel，是一种二维表，单元格可以存放数值、字符串等。
#pd.DataFrame(data,index,columns)：其中第一个参数是存放在DataFrame里的数据，第二个参数index是行名（行索引），第三个参数columns是列名（列索引）；
df=pd.DataFrame(iris.data,columns=iris.feature_names)//将列名设置为特征
# 将iris.target的值赋给label列，target中的值只包含0/1/2
df['ladel']=iris.target//增加一列为类别标签

运行截图：

3、代码注释：

# 构建DataFrame中的列名
df.columns=['sepal length','sepal width','petal length','petal width','label']
# print(df.label.value_counts())     
# 计算iris.target中0/1/2的数量，便于分类时选取数量，只取0/1,不取2,得到0/1/2各有50个
#value_counts()：计算series里面相同数据出现的频率（次数）；
df.label.value_counts()

运行截图：

4、代码注释：

#Matplotlib中的scatter()函数
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()

运行截图：

5、代码注释：

data=np.array(df.iloc[:100,[0,1,-1]])//按行索引,取出第0，1，-1列

运行截图：

6、代码注释：

X, y = data[:,:-1], data[:,-1]//X为sepal length，sepal width y为标签

运行截图：

7、代码注释：

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

运行截图：

8、代码注释：

%# 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

运行截图：

9、代码注释：

perceptron = Model()
#使用训练数据进行训练
perceptron.fit(X, y)//感知机模型

运行截图：

10、代码注释：
绘制模型图像，定义一些基本的信息

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()

运行截图：

11、代码注释：

from sklearn.linear_model import Perceptron//定义感知机（下面将使用感知机）

运行截图：

12、代码注释：

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合

运行截图：

13、代码注释：

%# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数

运行截图：

14、代码注释：

%# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数

运行截图：

15、代码注释：

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()

运行截图：

四.实验小结

1.psp表格

psp2.1	任务内容	计划完成需要的时间（min）	实际完成需要的时间（min）
Planning	计划	200	240
Development	开发	100	150
Analysis	需求分析（包括学习新技术）	30	40
Design Spec	生成设计文档	30	50
Design Review	设计复审	5	15
Coding Standard	代码规范	3	10
Design	具体设计	10	15
Coding	具体编码	36	26
Code Review	代码复审	5	20
Test	测试（自我测试，修改代码，提交修改）	10	30
Reporting	报告	9	30
Test Report	测试报告	3	30
Size Measurement	计算工作量	2	10
Postmortem & Process Improvement Plan	事后总结，并提出过程改进计划	5	10

2.心得和经验

通过这次实验我充分的初步了解了机器学习这门科目，对此有着深入地认识。理解了感知器的基本算法原理，明白了感知器算法是通过训练模式的迭代和学习算法，产生线性可分的模式判别函数，感知器算法就是通过对训练模式样本集的“学习”得出判别函数的系数解。此次实验我能实现基本的感知器算法，也掌握了最小二乘法进行参数估计基本原理，知道了最小二乘法所得出的多项式，即以拟合曲线的函数来描述自变量与预计应变量的变异数关系。