演算法實現
import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
iris = load_iris()
df = pd.dataframe(iris.data,columns=iris.feature_names)
df['label'] = iris.target
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')
plt.scatter(df[50:100]['sepal length'],df[50:100]['sepal width'],label='1')
plt.legend()
data=np.array(df.iloc[:100,[0,1,-1]])
x, y = data[:,:-1], data[:,-1]
y = np.array([1 if i == 1 else -1 for i in y])
class model:
def __init__(self):
self.w=np.ones(len(data[0])-1,dtype=np.float32)
self.b=0
self.lr=0.1
def sign(self,x,w,b):
y = np.dot(x,w)+b
return y
def fit(self,x_train,y_train):
is_wrong=false
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:
self.w = self.w+self.lr*np.dot(y,x)
self.b = self.b+self.lr*y
wrong_count+=1
if wrong_count==0:
is_wrong=true
print("都分類正確了，w引數為:",self.w)
def score(self):
pass
mode = model()
mode.fit(x, y )
x_points = np.linspace(4, 7, 10)
print(x_points)
print(mode.w)
y_ = (mode.w[0] * x_points + mode.b)/(-mode.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()
import sklearn
from sklearn.linear_model import perceptron
clf = perceptron(fit_intercept=true,
max_iter=1000,
tol=none,
shuffle=true)
clf.fit(x, y)
# 畫布大小
plt.figure(figsize=(10,10))
# 中文標題
plt.rcparams['font.sans-serif']=['simhei']
plt.rcparams['axes.unicode_minus'] = false
plt.title('鳶尾花線性資料示例')
plt.scatter(data[:50, 0], data[:50, 1], c='b', label='iris-setosa',)
plt.scatter(data[50:100, 0], data[50:100, 1], c='orange', label='iris-versicolor')
# 畫感知機的線
x_ponits = np.arange(4, 8)
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, y_)
# 其他部分
plt.legend() # 顯示圖例
plt.grid(false) # 不顯示網格
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
機器學習 感知機演算法
感知機 perception 是一種二類線性模型，主要用於分類問題。目標函式 f x sgn w x b 其中sgn為符號函式 其中向量w為目標函式向量，向量x為樣本。向量w 向量x 超平面 w x b 0 所構成的平面 向量w為超平面上的法向量。訓練集 t x1,y1 x2,y2 x3,y3 xn...
機器學習演算法 感知機
今天把感知機的演算法用python實現了一下。主要依據的演算法流程是 統計學習方法 中關於感知機的演算法過程，具體如下。隨機生成訓練資料，測試資料也可同樣方法生成 m 樣本的個數 n 每個樣本具有的特徵維數 y 1 x np.random.random m,n x2 np.random.random...
機器學習 感知機模型（pocket演算法）實現
這裡使用pocket演算法 pocket演算法的思想非常簡單，在搜尋w的時候，不斷記錄最好的準確率和w。這樣即使資料不是線性可分的，也可以得到比較好的測試結果 只要不斷的提高迭代的次數 資料 計算準確率函式 計算錯誤率 def checkerrorrate testmatdata,testlabel...