来玩玩感知机算法的上机小实验！！！

免责声明：部分内容参考：感知机算法（Perceptron Learning Algorithm）地址https://www.jianshu.com/p/fbfe531ec233

目录

简述：

所需的环境搭建：

图形与代码： 

图形1：

图形1的程序：

 图形2：

图形2的程序： 

 图形3

---

简述：

感知机是二类分类的线性分类模型，其思想很简单，就是

（1）平面内：在一个二维空间中寻找一条直线将两种不同颜色的点集间隔开；

（2）空间内：例如在三维空间内，感知机模型尝试寻找一个超平面，将所有二元类分隔开。

具体的原理、推到再次暂不推到，对跑出来的图形程序暂时展示。

所需的环境搭建：

1. 打开cmd
2. 输入指令： pip uninstall numpy
3. 输入指令：pip install joblib
4. 输入指令：pip install numpy
5. 输入指令：pip install scipy 

图形与代码： 

图形1：

图形1

图形1的程序：

 

import numpy as np
import matplotlib.pyplot as plt
X0 = np.array([[1,0],
              [0,1],
              [2,0],
              [2,2]])
X1 = np.array([[-1,-1],
              [-1,0],
              [-2,-1],
              [0,-2]])
#将样本数据化为增广向量矩阵
ones = -np.ones((X0.shape[0],1))
X0 = np.hstack((ones,X0))
ones = -np.ones((X1.shape[0],1))
X1 = np.hstack((ones,X1))
#对样本进行规范化处理
X = np.vstack((-X0,X1))
plt.grid()
plt.scatter(X0[:,1],X0[:,2],c = 'r',marker='o',s=500)
plt.scatter(X1[:,1],X1[:,2],c = 'g',marker='*',s=500)
W = np.ones((X.shape[1],1))


flag = True
while(flag):
    flag = False
    for i in range(len(X)):
        x = X[i,:].reshape(-1,1)    
        if np.dot(W.T,x)<=0:
            W = W + x
            flag = True
p1=[-2.0,2.0]
p2=[(W[0]+2*W[1])/W[2],(W[0]-2*W[1])/W[2]]
plt.plot(p1,p2)
plt.show()

 图形2：

图形2

 

图形2的程序： 

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

#************sigmoid函数计算*********
def sigmoid(z):
    return 1/(1+np.exp(-z))

#***********利用迭代方法求最优的w*******
def mymodel(X,Y,eta,W,iters):
    i=1
    while (i<=iters):
        err = sigmoid(np.dot(X,W))-Y
        gradient = np.dot(X.T,err)
        W=W-eta*gradient
        i=i+1
    return W

#***********读取数据*******************
df = pd.read_csv('ex1.csv',header=None)
data = df.values
X = data[:,:-1]
Y = data[:,-1].reshape((-1,1))

#**********构造增广矩阵****************
ones = np.ones((X.shape[0],1))
X = np.hstack((ones,X))

#*********模型初始化******************
W = np.ones((X.shape[1],1))
eta = 0.001

#*********调用模型，求最优解**********
W = mymodel(X,Y,eta,W,500)

#*********绘制正例和负例*************
xcord1 = []; ycord1 = []                                           
xcord2 = []; ycord2 = []                                           
for i in range(X.shape[0]):
    if int(Y[i])==1:
        xcord1.append(X[i,1])
        ycord1.append(X[i,2])
    else:
        xcord2.append(X[i,1])
        ycord2.append(X[i,2])
plt.scatter(xcord1,ycord1,s = 20, c = 'red', marker = 's',alpha=.5)
plt.scatter(xcord2, ycord2, s = 20, c = 'green',alpha=.5)

#*********绘制决策边界************
x_w = np.linspace(-3,3,100)
y_w = (-W[0]-W[1]*x_w)/W[2]
plt.plot(x_w,y_w,c='blue')
plt.show()

 

 图形3

空间三维图形

 暂无代码（插图来自博客地址https://www.jianshu.com/p/fbfe531ec233）

图形3程序暂无