实验一感知器及其应用

实验⼀感知器及其应⽤
1. 实验⽬的
理解感知器算法原理，能实现感知器算法；
掌握机器学习算法的度量指标；
掌握最⼩⼆乘法进⾏参数估计基本原理；
针对特定应⽤场景及数据，能构建感知器模型并进⾏预测。

2. 实验内容
安装Pycharm，注册学⽣版。

安装常见的机器学习库，如Scipy、Numpy、Pandas、Matplotlib，sklearn等。

编程实现感知器算法。

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。

3. 实验报告要求
按实验内容撰写实验过程；
报告中涉及到的代码，每⼀⾏需要有详细的注释；
按⾃⼰的理解重新组织，禁⽌粘贴复制实验内容！
4. 作业信息
这个作业属于哪个课程
这个作业要求在哪
学号3180701101 5. 代码
#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
# 统计鸢尾花的种类与个数
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
bel.value_counts() # value_counts() 函数可以对df⾥⾯label每个值进⾏计数并且排序，默认是降序
结果：
2 50
1 50
0 50
Name: label, dtype: int64
#画数据的散点图
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')#给x坐标命名
plt.ylabel('sepal width')#给y坐标命名
plt.legend()
结果：
#对数据进⾏预处理
data = np.array(df.iloc[:100, [0, 1, -1]])#iloc函数：通过⾏号来取⾏数据,读取数据前100⾏的第0,1列和最后⼀列X, y = data[:,:-1], data[:,-1]#X为data数据中除去最后⼀列的数据，y为data数据的最后⼀列(y中有两类0和1)
y = np.array([1 if i == 1 else -1 for i in y])#将y中的两类（0和1）改为（-1和1）两类
# 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 #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()#⽣成⼀个算法对象
perceptron.fit(X, y)#将测试数据代⼊算法中
结果：
'Perceptron Model!'
#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')#将数据的50-100之间的数据绘制成散点图
plt.xlabel('sepal length')#给x坐标命名
plt.ylabel('sepal width')#给y坐标命名
plt.legend()
结果：
#⽣成sklearn结果与上⾯⼿写函数的结果对⽐
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)
结果：
Perceptron(alpha=0.0001, class_weight=None, early_stopping=False, eta0=1.0,
fit_intercept=False, max_iter=1000, n_iter_no_change=5, n_jobs=None,
penalty=None, random_state=0, shuffle=False, tol=0.001,
validation_fraction=0.1, verbose=0, warm_start=False)
print(clf.coef_)#权值w参数
print(clf.intercept_)#偏置b参数
结果：
[[ 16.3 -24.2]]
[0.]
#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')#给x坐标命名
plt.ylabel('sepal width')#给y坐标命名
plt.legend()
结果：
6. 实验⼩结
⼆分类模型
f(x)=sign(w∗x+b)
损失函数 L(w,b)=−Σyi(w∗xi+b)
算法
随即梯度下降法 Stochastic Gradient Descent随机抽取⼀个误分类点使其梯度下降。

w=w+ηyixi
b=b+ηyi
通过本次实验，我理解了感知器算法原理，能实现感知器算法；同时也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；对于⼀些特定应⽤场景及数据，能构建感知器模型并进⾏预测。