python中怎么模拟感知机算法

今天就跟大家聊聊有关python中怎么模拟感知机算法，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

1. 通过梯度下降模拟感知机算法。数据来源于sklearn.datasets中经典数据集。

import numpy as npimport pandas as pd# 导入数据集load_iris。# 其中前四列为花萼长度，花萼宽度，花瓣长度，花瓣宽度等4个用于识别鸢尾花的属性，from sklearn.datasets import load_irisimport matplotlib.pyplot as plot# load datairis = load_iris()# 构造函数DataFrame(data,index,columns)，data为数据，index为行索引，columns为列索引# 构造数据结构df = pd.DataFrame(data=iris.data, columns=iris.feature_names)# 在df中加入了新的一列：列名label的数据是target，即类型# 第5列为鸢尾花的类别（包括Setosa，Versicolour，Virginica三类）。# 也即通过判定花萼长度，花萼宽度，花瓣长度，花瓣宽度的尺寸大小来识别鸢尾花的类别。df['label'] = iris.targetdf.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'label']# 打印出label列值对应的数量。以及列名称、类型# print(df.label.value_counts())# 创建数组，# 第一个参数:100表示取0-99行，即前100行；但100：表示100以后的所有数据。# 第二个参数，0,1表示第一列和第二列，-1表示最后一列data = np.array(df.iloc[:100, [0, 1, -1]])# 数组切割，X切除了最后一列；y仅切最后一列X, y = data[:, :-1], data[:, -1]# 数据整理，将y中非1的改为-1y = np.array([1 if i == 1 else -1 for i in y])# 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):        # w初始为自变量个数相同的（1,1）阵        self.w = np.ones(len(data[0]) - 1, dtype=np.float32)        self.b = 0        # 学习率设置为0.1        self.l_rate = 0.1    def sign(self, x, w, b):        # dot函数为点乘，区别于*乘。        # dot对矩阵运算的时候为矩阵乘法，一行乘一列。        # *乘对矩阵运算的时候，是对应元素相乘        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        while not is_wrong:            # 记录当前的分类错误的点数，当分类错误的点数归零的时候，即分类结束            wrong_count = 0            # d从0-49遍历            for d in range(len(X_train)):                # 这里的X为一行两列数组                X = X_train[d]                y = y_train[d]                if y * self.sign(X, self.w, self.b) <= 0:                    self.w = self.w + self.l_rate * np.dot(y, X)                    self.b = self.b + self.l_rate * y                    wrong_count += 1            if wrong_count == 0:                is_wrong = True        return 'Perceptron Model!'    def score(self):        passperceptron = Model()# 对perception进行梯度下降perceptron.fit(X, y)print(perceptron.w)x_points = np.linspace(4, 7, 10)# 最后拟合的函数瑞如下：# w1*x1 + w2*x2 + b = 0# 其中x1就是下边的x_points，x2就是y_y_ = -(perceptron.w[0] * x_points + perceptron.b) / perceptron.w[1]plot.plot(x_points, y_)# scatter两个属性分别对应于x,y。# 先画出了前50个点的花萼长度宽度，这时的花类型是0；# 接着画50-100，这时花类型1plot.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')plot.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')# 横坐标名称plot.xlabel('sepal length')# 纵坐标名称plot.ylabel('sepal width')plot.legend()plot.show()

结果如图

2. sklearn中提供了现成的感知机方法，我们可以直接调用

import sklearnimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom sklearn.linear_model import Perceptroniris = 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'# ]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])clf = Perceptron(fit_intercept=True,  # true表示估计截距                 max_iter=1000,  # 训练数据的最大次数                 shuffle=True,  # 每次训练之后是否重新训练                 tol=None)  # 如果不设置none那么迭代将在误差小于1e-3结束clf.fit(X, y)# 输出粘合之后的wprint(clf.coef_)# 输出拟合之后的截距bprint(clf.intercept_)# 画布大小plt.figure(figsize=(10, 10))# 中文标题# plt.rcParams['font.sans-serif'] = ['SimHei']# plt.rcParams['axes.unicode_minus'] = False# plt.title('鸢尾花线性数据示例')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')# 画感知机的线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()  # 显示图例plt.grid(False)  # 不显示网格plt.xlabel('sepal length')plt.ylabel('sepal width')plt.legend()plt.show()

结果如图

看完上述内容，你们对python中怎么模拟感知机算法有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注行业资讯频道，感谢大家的支持。