机器学习 实验一 感知器及其运用

机器学习 实验一 感知器及其运用

博客班级	机器学习实验-计算机18级
作业要求	作业要求
作业目标	理解感知器算法原理，能实现感知器算法；掌握机器学习算法的度量指标
学号	3180701315
【实验目的】
理解感知器算法原理，能实现感知器算法；

掌握机器学习算法的度量指标；

掌握最小二乘法进行参数估计基本原理；

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】
安装Pycharm，注册学生版。

安装常见的机器学习库，如Scipy、Numpy、Pandas、Matplotlib，sklearn等。

编程实现感知器算法。

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】
按实验内容撰写实验过程；

报告中涉及到的代码，每一行需要有详细的注释；

按自己的理解重新组织，禁止粘贴复制实验内容！

【代码解读及运行结果】

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

下载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)#生成表格
df['label'] = iris.target
统计鸢尾花的种类与个数
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
df.label.value_counts() 
value_counts() 函数可以对df里面label每个值进行计数并且排序，默认是降序

结果：

画数据的散点图
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')  # 将数据的前50个数据绘制散点图
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')  # 将数据的50-100之间的数据绘制成散点图
plt.xlabel('sepal length')  # 给x坐标命名
plt.ylabel('sepal width')  # 给y坐标命名
plt.legend()

结果：

对数据进行预处理
data = np.array(df.iloc[:100, [0, 1, -1]])  # iloc函数：通过行号来取行数据,读取数据前100行的第0,1列和最后一列
X, y = data[:,:-1], data[:,-1]  # X为data数据中除去最后一列的数据，y为data数据的最后一列(y中有两类0和1)
y = np.array([1 if i == 1 else -1 for i in y])  # 将y中的两类（0和1）改为（-1和1）两类

定义算法
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) # 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 # 进行矩阵的乘法运算
        return y
 
    # 随机梯度下降
    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
运行感知机算法
perceptron = Model()#   生成一个算法对象
perceptron.fit(X, y)  # 将测试数据代入算法中

结果：

绘制超平面
x_points = np.linspace(4, 7,10) # 用于产生4,7之间的10点行矢量
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1] # 绘制超平面
plt.plot(x_points, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')  # 将数据的前50个数据绘制散点图
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')  # 将数据的50-100之间的数据绘制成散点图
plt.xlabel('sepal length')  
plt.ylabel('sepal width')  
plt.legend()

结果：

生成sklearn结果与上面手写函数的结果对比
from sklearn.linear_model import Perceptron # 导入感知机模型
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False) 
clf.fit(X, y)

结果：

print(clf.coef_)  # 权值w参数
print(clf.intercept_)  # 偏置b参数

结果：

绘制sklearn结果的散点图
x_ponits = np.arange(4, 8)  # x,为4,5,6,7，默认步长为1，起始为4，终止为8，不取8
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]  # 绘制超平面
plt.plot(x_ponits, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')  # 将数据的前50个数据绘制散点图
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')  # 将数据的50-100之间的数据绘制成散点图
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

结果：

【实验小结】
感知机是线性分类的二分类模型，输入为实例的特征向量，输出为实例的类别，分别用 1 和 -1 表示。感知机将输入空间(特征空间)中的实例划分为正负两类分离的超平面，旨在求出将训练集进行线性划分的超平面，为此，导入基于误分类的损失函数，利用梯度下降法对损失函数进行极小化，求得最优解。