一.iris数据集简介
iris数据集的中文名是安德森鸢尾花卉数据集，英文全称是Anderson’s Iris data set。iris包含150个样本，对应数据集的每行数据。每行数据包含每个样本的四个特征和样本的类别信息，所以iris数据集是一个150行5列的二维表。
通俗地说，iris数据集是用来给花做分类的数据集，每个样本包含了花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征（前4列），我们需要建立一个分类器，分类器可以通过样本的四个特征来判断样本属于山鸢尾、变色鸢尾还是维吉尼亚鸢尾（这三个名词都是花的品种）。
二、数据来源
https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
三、感知器表示R，评价E，优化O
参阅 深度学习与TensorFlow实战P45-47页
四、TensorFlow通过感知器实现鸢尾花数据集分类的python代码
import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
def init_weights(shape):
return tf.Variable(tf.random_normal(shape,stddev=0.01))
#创建分割线
def plotLine(slope,bias):
x = np.arange(-3,3,0.5)
y = x*slope+bias
plt.plot(x,y)
if __name__ == "__main__":
#导入数据，这里用了pandas库
df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)
features = df.iloc[1:len(df.index),[0,2]].values
labels = df.iloc[1:len(df.index),4].values
#调节数据，这一步很关键
scaler = preprocessing.StandardScaler().fit(features)
features_standard = scaler.transform(features)
#选取两种花的两类特征
for index,label in enumerate(labels):
if label == "Iris-setosa":
plt.scatter(features[index,0], features[index,1], color='red', marker='o', label='setosa')
else:
plt.scatter(features[index,0], features[index,1], color='blue', marker='x', label='versicolor')
plt.xlabel('petal len')
plt.ylabel('sepal len')
plt.show()
#转换一下标签
labels=np.where(labels=="Iris-setosa",1,-1)
#使用sklearn类库快速分割数据集
features_train, features_test, lables_train, labels_test=train_test_split(features_standard,labels,test_size=0.33)
#定义placeholder容器，第9章将会描述
X= tf.placeholder(tf.float32)
Y= tf.placeholder(tf.float32)
#初始化模型参数
w= init_weights([2,1])
b= tf.Variable(tf.zeros([1,1]))
#创建感知模型
predict_Y= tf.sign(tf.matmul(X,w)+b)
#定义损失函数
loss = tf.reduce_mean(tf.square(predict_Y-lables_train))
#定义优化方法
optimizer = tf.train.GradientDescentOptimizer(0.01)
train_step = optimizer.minimize(loss)
#初始化变量，运行模型
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
#开始训练
for i in range(300):
sess.run(train_step,feed_dict = {X:features_train, Y:lables_train})
#提取训练好的模型
w1= sess.run(w).flatten()[0]
w2= sess.run(w).flatten()[1]
b= sess.run(b).flatten()
#将测试数据和感知器分割线显示出来
for index, label in enumerate(labels_test):
if label ==1:
plt.scatter(features_test[index, 0], features_test[index,1],color='red', marker='o', label='setosa')
else:
plt.scatter(features_test[index, 0], features_test[index,1],color='blue', marker='x', label='versicolor')
plt.xlabel('petal len')
plt.ylabel('sepal len')
plotLine(-w1/w2, -b/w2)
plt.show()
看看执行效果界面：