机器学习---实验一

实验一 感知器及其应用

这个作业属于哪个课程	[AHPU-机器学习](https://edu.cnblogs.com/campus/ahgc/machinelearning）
这个作业要求在哪里	实验一 感知器及其应用
这个作业的目标	了解并掌握机器学习算法
学号	3180701108
** 目录 一. 实验目的 二. 实验内容 三. 实验报告要求 四. 实验代码及注释 五. 实验结果截图 六. 实验小结

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！

四. 实验代码及注释

1.导入包

#导入包
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline

%# load data
iris = load_iris() #iris数据集
df = pd.DataFrame(iris.data, columns=iris.feature_names)//获取列的属性值
df['label'] = iris.target//增加一列为类别标签

#columns是列名（列索引）
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']//将各个列重命名
df.label.value_counts()value_counts//计算相同数据出现的次数

3.画图

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()

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

5.算法

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 #dot进行矩阵的乘法运算，y=w*x+b
        return y
 
    #随机梯度下降法
    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

6.感知机模型

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

7.绘制模型图像

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()

8.定义感知机,使用训练数据拟合

from sklearn.linear_model import Perceptron

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

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()

五. 实验结果截图

2.

3.

六. 实验小结

本次实验主要是学习感知器模型，能实现感知器算法，掌握小二乘法进行参数估计的基本原理。在实验中，我也遇到了一些不懂得python代码，通过自己上机调试修改以及查询资料，最终完成了此次实验。