机器视觉实验一
| 所在班级 | https://edu.cnblogs.com/campus/ahgc/machinelearning/ |
| 作业要求| https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950 |
|实验目标|了解感知器相关内容及知识|
| 学号 | 3180701239 |
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。 |
实验代码及注释 |
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()
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
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']//将各个列重命名
df.label.value_counts()value_counts//确认数据出现的频率
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
X, y = data[:,:-1], data[:,-1]//X为sepal length，sepal width y为标签
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
%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
%拟合
perceptron = Model()#生成一个算法对象
perceptron.fit(X, y)#将测试数据代入算法中
%画出超平面
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()
from sklearn.linear_model import Perceptron//定义感知机（下面将使用感知机）
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合
%# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数
%# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数
%#画出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')#x坐标命名
plt.ylabel('sepal width')#y坐标命名
plt.legend()
实验结果截图:
|
