版权声明：点个赞，来个评论(夸我)，随便转~ https://blog.csdn.net/qq_28827635/article/details/84760401
内容简介
- 感知机模型 - 手写 Coding
- 使用手写模型进行鸢尾花分类
- 使用 sklearn 中的感知机进行鸢尾花分类
感知机模型 - 手写 Coding
class Model:
"""感知机模型"""
def __init__(self, data):
"""选取初值 w, b, η"""
self.w = np.zeros(len(data[0]) - 1, dtype=np.float32) # 参数 w 应与 x 等量
self.b = 0
self.η = 0.1
def sign(self, x):
"""感知机模型"""
y = np.dot(self.w, x) + self.b
return 1 if y >= 0 else -1
def fit(self, x_train, y_train):
"""模型训练"""
while True:
for d, x in enumerate(x_train): # 取出一条数据
y = y_train[d] # 取出对应数据的 target
if y * self.sign(x) <= 0: # 分类不正确进行参数更迭
self.w = self.w + np.dot(self.η * y, x)
self.b = self.b + self.η * y
break # 发生更迭即存在分类错误，从头再来
else: # 没有发生更迭即全部分类正确，停止训练
break
return self.w, self.b
使用手写模型进行鸢尾花分类
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
def main():
# 一、加载数据
iris = load_iris()
# 二、提取输入与输出数据
# 为输入特征创建 Frame，并使用特征名称作为列标题(注意不是列索引)
df = pd.DataFrame(iris.data, columns=iris.feature_names)
# 添加输出列 target
df['target'] = iris.target
# 给 Frame 添加列索引(只有加了索引才可以使用索引)
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'target']
# 打印输出值分布情况
print(df.target.value_counts())
# 三、绘出数据并观察分布情况
# 通过 frame 能够看出数据是 50 间隔分布，因此可以以 50 间隔分别取出
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()
plt.show()
# 四、特征提取与目标值提取
# 使用 iloc 选取前 100 条数据的第 0, 1, -1 列，并转换为 array
data = np.array(df.iloc[:100, [0, 1, -1]])
# 将 第 0, 1 列数据赋值给 x，将 第 -1 列数据赋值给 y
x_train, y_train = data[:, :-1], data[:, -1]
# 将 y 值进行 1, -1分类
y_train = np.array([i if i == 1 else -1 for i in y_train])
# 五、感知机模型训练
perceptron = Model(data)
w, b = perceptron.fit(x_train, y_train)
# 六、绘出判定边界
# 分离超平面为 w[0]x_1 + w[1]x_2 + b = 0
x_1 = np.linspace(4, 7, 10)
x_2 = -(w[0] * x_1 + b) / w[1]
plt.plot(x_1, x_2)
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()
plt.show()
if __name__ == '__main__':
main()
使用 sklearn 中的感知机进行鸢尾花分类
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import Perceptron
import matplotlib.pyplot as plt
def main():
# 一、加载数据
iris = load_iris()
# 二、提取输入与输出数据
# 为输入特征创建 Frame，并使用特征名称作为列标题(注意不是列索引)
df = pd.DataFrame(iris.data, columns=iris.feature_names)
# 添加输出列 target
df['target'] = iris.target
# 给 Frame 添加列索引(只有加了索引才可以使用索引)
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'target']
# 三、特征提取与目标值提取
# 使用 iloc 选取前 100 条数据的第 0, 1, -1 列，并转换为 array
data = np.array(df.iloc[:100, [0, 1, -1]])
# 将 第 0, 1 列数据赋值给 x，将 第 -1 列数据赋值给 y
x_train, y_train = data[:, :-1], data[:, -1]
# 将 y 值进行 1, -1分类
y_train = np.array([i if i == 1 else -1 for i in y_train])
# 四、使用SKlearn感知机进行模型训练
clf = Perceptron()
clf.fit(x_train, y_train)
w = clf.coef_[0] # w
b = clf.intercept_ # b
# 五、绘出判定边界
# 分离超平面为 w[0]x_1 + w[1]x_2 + b = 0
x_1 = np.linspace(4, 7, 10)
x_2 = -(w[0] * x_1 + b) / w[1]
plt.plot(x_1, x_2)
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()
plt.show()
if __name__ == '__main__':
main()
希望对你有所帮助，点个赞哇大兄dei！
个人博客：http://xingtu.info
GitHub：https://github.com/BreezeDawn/MachineLearning