实验一

实验班级	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950
实验要求	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950
学号	3180701206
姓名	付岩伟

【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。

【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。

【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！
【实验代码】
1、
import numpy as np from sklearn.datasets import load_iris import matplotlib.pyplot as plt %matplotlib inline
2
# load data iris = load_iris() df = pd.DataFrame(iris.data, columns=iris.feature_names) df['label'] = iris.target
3
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label'] df.label.value_counts()
4
plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0') plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1') plt.xlabel('sepal length') plt.ylabel('sepal width') plt.legend()
5
data = np.array(df.iloc[:100, [0, 1, -1]]) X, y = data[:,:-1], data[:,-1] y = np.array([1 if i == 1 else -1 for i in y])
6
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 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: self.w = self.w + self.l_rate*np.dot(y, X) self.b = self.b + self.l_rate*y wrong_count += 1 if wrong_count == 0: is_wrong = True return 'Perceptron Model!' def score(self): pass

实验结果

实验小结
本次实验使我理解感知机算法的原理了，并且能够实现基本的感知机算法。感知机的算法相对较为简单，通过拟合出一条曲线将不同分类得到的点域分开，对于损失函数的选择也是至关重要的，找不到的话那就意味着类别线性不可分，也就意味着感知机模型不适合你的数据的分类。在今后的学习中，相信能够加以进一步的运用。