实验一 感知器及其应用

一、作业信息

博客班级	https://edu.cnblogs.com/campus/ahgc/machinelearning(班级连接)
作业要求	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950(作业连接)
作业目标	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。
学号	3180701311
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
5. 按实验内容撰写实验过程；
6. 报告中涉及到的代码，每一行需要有详细的注释；
7. 按自己的理解重新组织，禁止粘贴复制实验内容！
   实验代码及注释

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

# load data 下载数据
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)#生成表格
df['label'] = iris.target

df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
df.label.value_counts() # value_counts() 

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')#x坐标命名
plt.ylabel('sepal width')#y坐标命名
plt.legend()

#对数据进行预处理
data = np.array(df.iloc[:100, [0, 1, -1]])#读取数据前100条
X, y = data[:,:-1], data[:,-1]
y = np.array([1 if i == 1 else -1 for i in y])

# 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 
        # self.data = data
 
    def sign(self, x, w, b):
        y = np.dot(x, w) + b #y=w*x+b
        return y
 
    #随机梯度下降法
    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 #误分为0，就不需要循环
            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) #调整w和b
                    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

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) #用于产生4,7之间的10点行矢量。其中4、7、10分别为起始值、中止值、元素个数。----产生x坐标
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()

from sklearn.linear_model import Perceptron # 导入感知机模型

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False) 
#fit_intercept（默认True）是否对参数 b 进行估计，若为False则数据应是中心化的
#max_iter(默认1000）最大迭代次数
#shuffle（默认True）每轮训练后是否打乱数据
clf.fit(X, y)

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