实验一 感知器及其应用

博客班级	计算机与信息学院AHPU-机器学习实验-计算机18级
作业要求	实验一 感知器及其应用
作业目标	（1）安装Pycharm，注册学生版，安装相应的库
	（2） 理解感知器算法原理，编程实现感知器算法；
	（3）掌握机器学习算法的度量指标；
	（4）掌握最小二乘法进行参数估计基本原理；
	（5）熟悉iris数据集针对特定应用场景及数据，构建感知器模型并进行预测。
学号	<3180701116>

目录:
●实验目的
●实验内容
●实验代码及注释
●实验结果

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。

三、实验代码及注释

1、
import pandas as pd #导入pandas模块
import numpy as np #导入numpy模块
from sklearn.datasets import load_iris #导入sklearn.datasets模块中的函数load_iris
import matplotlib.pyplot as plt
%matplotlib inline #可以在Ipython编译器里直接使用，功能是可以内嵌绘图，可以省略plt.show()
2、
%# 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

3、
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

4、
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()

5、
data = np.array(df.iloc[:100, [0, 1, -1]])#按行索引,取出第0，1，-1列

6、
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

8、
%# 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

9、
perceptron = Model()
perceptron.fit(X, y)#感知机模型

10、绘制模型图像，定义一些基本的信息
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()

11、
from sklearn.linear_model import Perceptron #定义感知机（下面将使用感知机）

12、
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y) #使用训练数据拟合

13、
%# Weights assigned to the features. #输出感知机模型参数
print(clf.coef_)

14、
%# 截距 Constants in decision function. #输出感知机模型参数
print(clf.intercept_)

15、
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()

四、 实验结果