感知机及其应用

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	3180701227

【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！

实验代码及注释

import pandas as pd
import numpy as np
#引入数据集
from sklearn.datasets import load_iris
import matplotlib as plt

#load data
iris=load_iris( )
df=pd.DataFrame(iris.data,columns=iris.feature_names)
df['label']=iris.target#获取类别数据#将iris中的目标值赋到df的'label'列

#
df.columns=['sepal length','sepal width','petal length','petal width','label']
df.label.value_counts( )  #每种类别的数量

运行结果：

import matplotlib.pyplot as plt  #作图
plt.scatter(df[:50]['sepal length'],df[:50]['sepal width'],label='0')  
plt.scatter(df[50:100]['sepal length'],df[50:100]['sepal width'],label='1')
plt.xlabel('sepal length')   #x坐标命名
plt.ylabel('sepal width')    #y坐标命名
plt.legend( )

运行结果：

data=np.array(df.iloc[:100,[0,1,-1]])  #选取前100行，第一列、第二列、最后一列

X,y=data[:,:-1],data[:,-1]

y=np.array([1 if i ==1 else -1 for i in y])    #把值为“1”的标签定义为“1”，值为“0”的标签定义为“-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)
        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):
        is_wrong = False    #假设没有误分点
        while not is_wrong:
            wrong_count = 0
            for d in range(len(X_train)):
                X = X_train[d]
                y = y_train[d]
                if y * self.sign(X, self.w, self.b) <= 0:   #分类错误
                    self.w = self.w + self.l_rate*np.dot(y, X)  #重新梯度计算w
                    self.b = self.b + self.l_rate*y             #重新梯度计算b
                    wrong_count += 1
            if wrong_count == 0:   #通过梯度计算分类分类正确
                is_wrong = True
        return 'Perceptron Model!'
        
    def score(self):
        pass

perceptron=Model( )
perceptron.fit(X,y)

运行结果：

x_points = np.linspace(4, 7,10)
y_ = -(perceptron.w[0]*x_points + perceptron.b)/perceptron.w[1]
plt.plot(x_points, 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()

运行结果：

from sklearn.linear_model import Perceptron

clf = Perceptron(fit_intercept=False, n_iter_no_change=1000, shuffle=False)
clf.fit(X, y)

# Weights assigned to the features.
print(clf.coef_)

运行结果：

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

运行结果：

x_ponits = np.arange(4, 8)
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()

运行结果：

实验小结

（1）通过本次实验理解了感知机模型的算法。
（2）感知机模型作为最简单的分类学习算法是必须要掌握的。
（3）认识到自己代码能力不足，需要多多努力。