实验一

【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。

【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。

【实验过程及截图】
1.

#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
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

#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

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

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

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 #步长为0.1
        # self.data = data
    def sign(self, x, w, b):
        y = np.dot(x, w) + b #dot进行矩阵的乘法运算，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 #误分点个数初始为0
            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) #对w和b进行更新
                    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

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

10.绘制模型图像

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()

%# 截距 Constants in decision function.
print(clf.intercept_)//输出感知机模型参数

%# Weights assigned to the features.
print(clf.coef_)//输出感知机模型参数

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)//使用训练数据拟合

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】

【实验小结】
通过此次实验培养了我基本的、良好的程序技能以及合作能力，同时我学习了感知器算法的原理，能够基本实现感知器算法；掌握了机器学习算法的度量指标以及最小二乘法进行参数估计基本原理；学会了针对特定应用场景及数据来构建感知器模型并进行预测。