| 博客班级 | AHPU机器学习 |
|---|---|
| 作业要求 | 作业要求 |
| 作业目标 | 熟练掌握代码编写 |
| 学号 | 3180701209 |
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.实验过程及结果
实验代码及注释
随即梯度下降法 Stochastic Gradient Descent
随机抽取一个误分类点使其梯度下降。
当实例点被误分类，即位于分离超平面的错误侧，则调整w, b的值，使分离超平面向该无分类点的一侧移动，直至误分类点被正确分类。
（1）、
import pandas as pd #Pandas是python的一个数据分析包
import numpy as np
from sklearn.datasets import load_iris #iris数据集
import matplotlib.pyplot as plt
%matplotlib inline
（2）、
%# 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
（3）、
#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
（4）、
%#画两分类散点图
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()
（5）、
data = np.array(df.iloc[:100, [0, 1, -1]])//按行索引,取出第0，1，-1列
（6）、
X, y = data[:,:-1], data[:,-1]//X为sepal length，sepal width y为标签
（7）、
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
（8）、
#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)://将参数w1,w2置为1 b置为0 学习率为0.1
self.w = np.ones(len(data[0])-1, dtype=np.float32) //data[0]为第一行的数据len（data[0]=3)这里取两个w权重参数
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)://拟合训练数据求w和b
is_wrong = False//判断是否误分类
while not is_wrong:
wrong_count = 0
for d in range(len(X_train))://取出样例，不断的迭代
X = X_train[d]
y = y_train[d]
if y * self.sign(X, self.w, self.b) <= 0://根据错误的样本点不断的更新和迭代w和b的值（根据相乘结果是否为负来判断是否出错，本题将0也归为错误）
self.w = self.w + self.l_ratenp.dot(y, X)
self.b = self.b + self.l_ratey
wrong_count += 1
if wrong_count == 0://直到误分类点为0 跳出循环
is_wrong = True
return 'Perceptron Model!'
def score(self):
pass
（9）、
perceptron = Model()
perceptron.fit(X, y)//感知机模型
（10）、绘制模型图像，定义一些基本的信息
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()
（11）、
from sklearn.linear_model import Perceptron//定义感知机（下面将使用感知机）
（12）、
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合
（13）、
%# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数
（14）、
%# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数
（15）、
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()
实验结果截图
五.实验小结
(1)psp表格
| psp2.1 | 任务内容 | 计划完成需要的时间（min） | 实际完成需要的时间（min） |
|---|---|---|---|
| Planning | 计划 | 100 | 80 |
| Development | 开发 | 200 | 250 |
| Analysis | 需求分析（包括学习新技术） | 20 | 40 |
| Design Spec | 生成设计文档 | 30 | 50 |
| Design Review | 设计复审 | 5 | 10 |
| Coding Standard | 代码规范 | 3 | 5 |
| Design | 具体设计 | 10 | 12 |
| Coding | 具体编码 | 80 | 90 |
| Code Review | 代码复审 | 60 | 70 |
| Test | 测试（自我测试，修改代码，提交修改） | 10 | 15 |
| Reporting | 报告 | 9 | 6 |
| Test Report | 测试报告 | 3 | 2 |
| Size Measurement | 计算工作量 | 3 | 2 |
| Postmortem & Process Improvement Plan | 事后总结，并提出过程改进计划 | 5 | 3 |
(2)心得和经验
了解、学到了很多知识，通过查阅书本、网上资料来理解实验代码。通过编译得到结果，实践与理论相结合。