实验一感知器及其应用

目录
一.实验目的
二.实验内容
三.实验过程及结果
四.实验代码及注释
实验截图
五.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．实验结果
代码及结果
In[1]

import pandas as pd #导入模块
import numpy as np
from sklearn.datasets import load_iris#引用sklearn.datasets模块的一部分
import matplotlib.pyplot as plt
%matplotlib inline#将matplotilb#绘制的图像显示在页面里，而不是弹出一个窗口

In[2]

%# load data
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names) #将列名设置为特征
df['label'] = iris.target #增加一列为类别标签

In[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

In[4]

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()

In[5]

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

In[6]

X, y = data[:,:-1], data[:,-1] #X为sepal length，sepal width y为标签

In[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

In[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):
        self.w = np.ones(len(data[0])-1, dtype=np.float32)
        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):
        is_wrong = False    #假设没有误分点
        while not is_wrong:
            wrong_count = 0
            for d in range(len(X_train)):
                X = X_train[d]
                y = y_train[d]
                if y * self.sign(X, self.w, self.b) <= 0:   #分类错误
                    self.w = self.w + self.l_rate*np.dot(y, X)  #重新梯度计算w
                    self.b = self.b + self.l_rate*y             #重新梯度计算b
                    wrong_count += 1
            if wrong_count == 0:   #通过梯度计算分类分类正确
                is_wrong = True
        return 'Perceptron Model!'
        
    def score(self):
        pass

In[9]

perceptron = Model()
perceptron.fit(X, y) #感知机模型

In[10]

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()

In[11]

from sklearn.linear_model import Perceptron

In[12]

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

In[13]

# Weights assigned to the features.
print(clf.coef_)

In[14]

# 截距 Constants in decision function.
print(clf.intercept_)

In[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()

实验截图：
In[3]