內容簡介

1. 感知機模型 - 手寫 Coding
2. 使用手寫模型進行鳶尾花分類
3. 使用 sklearn 中的感知機進行鳶尾花分類

感知機模型 - 手寫 Coding

class Model:
"""感知機模型"""
    def __init__(self, data):
        """選取初值 w, b, η"""
        self.w = np.zeros(len(data[0]) - 1, dtype=np.float32)  # 引數 w 應與 x 等量
        self.b = 0
        self.η =
 
 0.1

    def sign(self, x):
        """感知機模型"""
        y = np.dot(self.w, x) + self.b
        return 1 if y >= 0 else -1

    def fit(self, x_train, y_train):
        """模型訓練"""
        while True:
            for d, x in enumerate(x_train):  # 取出一條資料
                y = y_train[d]  # 取出對應資料的 target
 

                if y * self.sign(x) <= 0:  # 分類不正確進行引數更迭
                    self.w = self.w + np.dot(self.η * y, x)
                    self.b = self.b + self.η * y
                    break  # 發生更迭即存在分類錯誤，從頭再來
            else:  # 沒有發生更迭即全部分類正確，停止訓練
                break

        return self.w,
 
 self.b

使用手寫模型進行鳶尾花分類

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt


def main():
    # 一、載入資料
    iris = load_iris()

    # 二、提取輸入與輸出資料
    # 為輸入特徵建立 Frame，並使用特徵名稱作為列標題(注意不是列索引)
    df = pd.DataFrame(iris.data, columns=iris.feature_names)
    # 新增輸出列 target
    df['target'] = iris.target
    # 給 Frame 新增列索引(只有加了索引才可以使用索引)
    df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'target']
    # 列印輸出值分佈情況
    print(df.target.value_counts())

    # 三、繪出資料並觀察分佈情況
    # 通過 frame 能夠看出資料是 50 間隔分佈，因此可以以 50 間隔分別取出
    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')
    plt.ylabel('sepal width')
    plt.legend()
    plt.show()

    # 四、特徵提取與目標值提取
    # 使用 iloc 選取前 100 條資料的第 0, 1, -1 列，並轉換為 array
    data = np.array(df.iloc[:100, [0, 1, -1]])
    # 將 第 0, 1 列資料賦值給 x，將 第 -1 列資料賦值給 y
    x_train, y_train = data[:, :-1], data[:, -1]
    # 將 y 值進行 1, -1分類
    y_train = np.array([i if i == 1 else -1 for i in y_train])

    # 五、感知機模型訓練
    perceptron = Model(data)
    w, b = perceptron.fit(x_train, y_train)

    # 六、繪出判定邊界
    # 分離超平面為 w[0]x_1 + w[1]x_2 + b = 0
    x_1 = np.linspace(4, 7, 10)
    x_2 = -(w[0] * x_1 + b) / w[1]
    plt.plot(x_1, x_2)
    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')
    plt.ylabel('sepal width')
    plt.legend()
    plt.show()


if __name__ == '__main__':
    main()

使用 sklearn 中的感知機進行鳶尾花分類

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import Perceptron
import matplotlib.pyplot as plt


def main():
    # 一、載入資料
    iris = load_iris()

    # 二、提取輸入與輸出資料
    # 為輸入特徵建立 Frame，並使用特徵名稱作為列標題(注意不是列索引)
    df = pd.DataFrame(iris.data, columns=iris.feature_names)
    # 新增輸出列 target
    df['target'] = iris.target
    # 給 Frame 新增列索引(只有加了索引才可以使用索引)
    df.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'target']

    # 三、特徵提取與目標值提取
    # 使用 iloc 選取前 100 條資料的第 0, 1, -1 列，並轉換為 array
    data = np.array(df.iloc[:100, [0, 1, -1]])
    # 將 第 0, 1 列資料賦值給 x，將 第 -1 列資料賦值給 y
    x_train, y_train = data[:, :-1], data[:, -1]
    # 將 y 值進行 1, -1分類
    y_train = np.array([i if i == 1 else -1 for i in y_train])

    # 四、使用SKlearn感知機進行模型訓練
    clf = Perceptron()
    clf.fit(x_train, y_train)
    w = clf.coef_[0]  # w
    b = clf.intercept_  # b

    # 五、繪出判定邊界
    # 分離超平面為 w[0]x_1 + w[1]x_2 + b = 0
    x_1 = np.linspace(4, 7, 10)
    x_2 = -(w[0] * x_1 + b) / w[1]
    plt.plot(x_1, x_2)
    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')
    plt.ylabel('sepal width')
    plt.legend()
    plt.show()


if __name__ == '__main__':
    main()

希望對你有所幫助，點個贊哇大兄dei！
個人部落格：http://xingtu.info
GitHub：https://github.com/BreezeDawn/MachineLearning