感知机及其应用

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了感知机及其应用，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3574字，纯文字阅读大概需要6分钟。

内容图文

博客班级	https://edu.cnblogs.com/campus/ahgc/machinelearning(班级连接)
作业要求	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950(作业连接)
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	3180701227

【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！

实验代码及注释

import pandas as pd
import numpy as np
#引入数据集
from sklearn.datasets import load_iris
import matplotlib as plt

#load data
iris=load_iris( )
df=pd.DataFrame(iris.data,columns=iris.feature_names)
df['label']=iris.target#获取类别数据#将iris中的目标值赋到df的'label'列

#
df.columns=['sepal length','sepal width','petal length','petal width','label']
df.label.value_counts( )  #每种类别的数量

运行结果：

import matplotlib.pyplot as plt  #作图
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')   #x坐标命名
plt.ylabel('sepal width')    #y坐标命名
plt.legend( )

运行结果：

data=np.array(df.iloc[:100,[0,1,-1]])  #选取前100行，第一列、第二列、最后一列

X,y=data[:,:-1],data[:,-1]

y=np.array([1 if i ==1 else -1 for i in y])    #把值为“1”的标签定义为“1”，值为“0”的标签定义为“-1”

# 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):
        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    #假设没有误分点
        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:   #分类错误
                    self.w = self.w + self.l_rate*np.dot(y, X)  #重新梯度计算w
                    self.b = self.b + self.l_rate*y             #重新梯度计算b
                    wrong_count += 1
            if wrong_count == 0:   #通过梯度计算分类分类正确
                is_wrong = True
        return 'Perceptron Model!'
        
    def score(self):
        pass

perceptron=Model( )
perceptron.fit(X,y)

运行结果：

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()

运行结果：

from sklearn.linear_model import Perceptron

clf = Perceptron(fit_intercept=False, n_iter_no_change=1000, shuffle=False)
clf.fit(X, y)

# Weights assigned to the features.
print(clf.coef_)

运行结果：

# 截距 Constants in decision function.
print(clf.intercept_)

运行结果：

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()

运行结果：

实验小结

（1）通过本次实验理解了感知机模型的算法。
（2）感知机模型作为最简单的分类学习算法是必须要掌握的。
（3）认识到自己代码能力不足，需要多多努力。

内容总结

以上是互联网集市为您收集整理的感知机及其应用全部内容，希望文章能够帮你解决感知机及其应用所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---