实验一感知器及其应用

一、相关信息

实验班级	https://edu.cnblogs.com/campus/ahgc/machinelearning
实验要求	https://edu.cnblogs.com/campus/ahgc/machinelearning/homework/11950
实验目标	要看懂老师所给实验参考代码，弄懂每一处代码含义，然后争取自己能够尝试去复现这些代码
学号	3180701338

二、实验信息

【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。

【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。

【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！

三、实验完成情况

（1）实验主要代码的注释：

import pandas as pd #导入pandas库，取名为pd
import numpy as np  #导入numpy库，取名为np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
%matplotlib inline

# load data
iris = load_iris() #导入库中的数据集
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target

#定义实验中包含的鸢尾花的特征属性
df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']
df.label.value_counts()

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')
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标签，y为sepal width标签

y = np.array([1 if i == 1 else -1 for i in y]) #将两个类别分别重新设定为+1和-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):
        self.w = np.ones(len(data[0])-1, dtype=np.float32)
        # 由于数据线性可分，二分类数据，此处为一元一次线性方程，因为w为二维的，x1、x2(y)
        self.b = 0
        self.l_rate = 0.1
        # self.data = data

    def sign(self, x, w, b):
        y = np.dot(x, w) + b # np.dot(x, w)表示x矩阵与w矩阵相乘，取和的形式。
        return y
 
 # 随机梯度下降法
    def fit(self, X_train, y_train):
        is_wrong = False #初始化不是误分类点。
        while not is_wrong: #如果不是误分类点，就进行下列循环。
            wrong_count = 0 #误分类计数为0
            for d in range(len(X_train)): # X_train有多少行，就循环多少次。
                X = X_train[d] # X_train中的第d行元素。
                y = y_train[d] # y_train中的第d行元素。
                if y * self.sign(X, self.w, self.b) <= 0:
                    # 如果符号函数运算结果<=0了，代表该点误分类，要更新参数。
                    self.w = self.w + self.l_rate*np.dot(y, X)
                    self.b = self.b + self.l_rate*y
                    wrong_count += 1 # 误分类次数加1，即迭代次数加1。
            if wrong_count == 0: # 如果所有点全正确分类，则误分类次数为依旧为0。
                is_wrong = True # 误分类标志位置True，退出循环。
                
        return 'Perceptron Model!' # 打印'Perceptron Model!'
    def score(self):
        pass

perceptron = Model() # 实例调用类Model()
perceptron.fit(X, y) # 实例传入X, y数据集

x_points = np.linspace(4, 7,10) # 从4到7，均匀分割成10份
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
# 移项，等价于超平面：w[0]x1+w[1]y+b=0
plt.plot(x_points, y_)
plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
# 表示取前50行的第0列为横坐标，第1列为纵坐标。
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()

clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)
# ①fit_intercept：默认为true，参数意思是说要不要计算此模型的截距。
#如果设置为False，则不会在计算中使用截距。
# ②shuffle 就是为了避免数据投入的顺序对网络训练造成影响。

# Weights assigned to the features.
print(clf.coef_)
# clf.coef_表示特征的权值的矩阵形式。

# 截距 Constants in decision function.
print(clf.intercept_)
#clf.intercept_表示截距。

# 中文标题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.title('鸢尾花线性数据示例')

# 画感知机的线
x_ponits = np.arange(4, 7.5)
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, y_)
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() # 显示图例

（2）实验运行结果截图：

四、实验小结

在理论课上所学，知道感知机学习出来的模型结果是不唯一，通过此次在实验中更改ω和b初始值对这一点进行了很好地验证，说明收敛得到的模型值对于不同初始值有不同的结果。

实验一 感知器及其应用

实验一感知器及其应用