最近在嘗試將所有的機器學習與深度學習的模型用Python來實現，大致的學習思路如下：

• 分類器
• 迴歸與預測
• 時間序列

所有的模型先用 Python語言實現，然後用Tensorflow的實現。

1 資料集

本文開始以UCI中的Iris資料集作為訓練資料集和測試時間集。該資料集給出了花萼(sepal)的長度和寬度以及花瓣(petal)的長度和寬度，根據這4個特徵訓練模型，預測花的類別(Iris Setosa，Iris Versicolour，Iris Virginica)。

# 包引入
import pandas as pd
import numpy as np
import matplotlib.pyplot as
 
 plt
import os
df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)
df.head(10)

1.1 資料處理

我們提取前100個樣本(50個Iris Setosa和50個Iris Versicolour)，並將不同的樣本類別標註為1(Iris Versicolour)和-1(Iris Setosa)；然後，將花萼的長度和花瓣的長度作為特徵。大致處理如下：

y = df.iloc[0:100, 4].values  # 預測標籤向量
y = np.where(y == 'Iris-setosa'
 
, -1, 1)
X = df.iloc[0:100, [0,2]].values  # 輸入特徵向量

# 使用散點圖視覺化樣本
plt.scatter(X[:50, 0], X[:50,1], color='red', marker='o', label='setosa')
plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')
plt.xlabel('petal length')
plt.ylabel('sepal length')
plt.legend(loc='upper left')
plt.show
 

2 模型

2.1 神經網路模型

2.1.1 模型實現

我們可以將該問題轉化為一個二分類的任務，因此，可以將1與-1作為類別標籤。從而啟用函式可以表示如下:

class Perceptron(object):
    """
    Parameters
    ------------
    eta : float
        學習率 (between 0.0 and 1.0)
    n_iter : int
        迭代次數
    Attributes
    -----------
    w_ : 1d-array
        權重
    errors_ : list
        誤差
    """
    def __init__(self, eta=0.01, n_iter=10):
        self.eta = eta
        self.n_iter = n_iter

    def fit(self, X, y):
        self.w_ = np.zeros(1 + X.shape[1])
        self.errors_ = []

        for _ in range(self.n_iter):
            errors = 0
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi))
                self.w_[1:] += update * xi
                self.w_[0] += update
                errors += int(update != 0.0)
            self.errors_.append(errors)
        return self

    def net_input(self, X):
        return np.dot(X, self.w_[1:]) + self.w_[0]

    def predict(self, X):
        return np.where(self.net_input(X) >= 0.0, 1, -1)

2.1.2 模型訓練

ppn = Perceptron(eta=0.1, n_iter=10)
ppn.fit(X, y)

2.1.3 模型驗證

1. 誤差分析

plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')
plt.xlabel('Epochs')
plt.ylabel('Number of misclassifications')
plt.show()

1. 視覺化分類器

from matplotlib.colors import ListedColormap
def plot_decision_regions(X, y, classifier, resolution=0.01):
    """
    視覺化分類器
    :param X:  樣本特徵向量
    :param y:  樣本標籤向量
    :param classifier: 分類器
    :param resolution: 殘差
    :return:
    """

    markers = ('s', 'x', 'o', '^', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])

    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))

    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
    Z = Z.reshape(xx2.min(), xx2.max())

    plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap)
    plt.xlim(xx1.min(), xx1.max())
    plt.ylim(xx2.min(), xx2.max())

    for idx, cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1], alpha=0.8, c=cmap(idx), marker=markers[idx], label=cl)

# 呼叫視覺化分類器函式
plot_decision_regions(X, y, classifier=ppn)
plt.xlabel('sepal length [cm]')
plt.ylabel('petal length [cm]')
plt.legend(loc='upper left')
plt.show()