感知机(perceptron)是二类分类的线性分类模型,其输入为实例的特征向量,输出 为实例的类别,取+1和–1二值。感知机对应于输入空间(特征空间)中将实例划分为正 负两类的分离超平面,属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分 离超平面,为此,导入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化, 求得感知机模型。
模型
假设输入空间(特征空间)是x⊆Rn,输出空间是 Y={+1,-1}。 输入x∊x表示实例的特征向量,对应于输入空间(特征空间)的点;输出y∊ Y表示实例的类别。由输入空间到输出空间的如下函数
称为感知机。
其中,w和b为感知机模型参数,w∊Rn叫作权值(weight)或权值向量 (weight vector),b∊R叫作偏置(bias),w·x表示w和x的内积。sign是符号函数,即
目标
感知机学习的目标是求得一个能够将训练集正实例点 和负实例点完全正确分开的分离超平面。
策略
定义(经验)损失函数并将损失函数极小化。
损失函数的另一个选择是误分类点到超平面S的总距离,这是感知机所采用的。
感知机sign(w·x+b)学习的损失函数定义为
其中M为误分类点的集合。这个损失函数就是感知机学习的经验风险函数。
感知机学习的策略是在假设空间中选取使损失函数式 L(w,b) 最小的模型参数w,b,即感知机模型。
算法
感知机学习问题转化为求解损失函数式 L(w,b) 的最优化问题,最优化的方法是随机梯度下降法。
书中例题2.1
python实现
import numpy as np
import matplotlib.pyplot as plt
x = np.array([[3,3], [4,3], [1,1]])
y = np.array([1,1,-1])
plt.figure()
for i in range(len(x)):
if y[i] == 1:
plt.plot(x[i][0], x[i][1], 'ro')
else:
plt.plot(x[i][0], x[i][1], 'bo')
w = np.array([1,0])
b = 0
delta = 1
for i in range(100):
choice = -1
for j in range(len(x)):
if y[j] != np.sign(np.dot(w,x[0]) + b):
choice = j
break
if choice == -1:
break
w = w + delta * y[choice] * x[choice]
b = b + delta * y[choice]
line_x = [0,10]
line_y = [0,0]
for i in range(len(line_x)):
line_y[i] = (-w[0] * line_x[i] - b) / w[1]
plt.plot(line_x, line_y)
plt.savefig("picture.png")
Mnist数据集训练
此部分出处:
作者:chenxiangzhen
出处:https://www.cnblogs.com/chenxiangzhen/p/10515156.html
'''
数据集:Mnist
训练集数量:60000
测试集数量:10000
------------------------------
运行结果:
正确率:81.72%(二分类)
'''
import numpy as np
import time
def loadData(fileName):
'''
加载Mnist数据集
:param fileName:要加载的数据集路径
:return: list形式的数据集及标记
'''
print('start to read data')
# 存放数据及标记的list
dataArr = []
labelArr = []
# 打开文件
fr = open(fileName, 'r')
# 将文件按行读取
for line in fr.readlines():
# 对每一行数据按切割福','进行切割,返回字段列表
curLine = line.strip().split(',')
# Mnsit有0-9是个标记,由于是二分类任务,所以将>=5的作为1,<5为-1
if int(curLine[0]) >= 5:
labelArr.append(1)
else:
labelArr.append(-1)
# 存放标记
# [int(num) for num in curLine[1:]] -> 遍历每一行中除了以第一哥元素(标记)外将所有元素转换成int类型
# [int(num)/255 for num in curLine[1:]] -> 将所有数据除255归一化(非必须步骤,可以不归一化)
dataArr.append([int(num) / 255 for num in curLine[1:]])
# 返回data和label
return dataArr, labelArr
def perceptron(dataArr, labelArr, iter=50):
'''
感知器训练过程
:param dataArr:训练集的数据 (list)
:param labelArr: 训练集的标签(list)
:param iter: 迭代次数,默认50
:return: 训练好的w和b
'''
print('start to trans')
# 将数据转换成矩阵形式(在机器学习中因为通常都是向量的运算,转换称矩阵形式方便运算)
# 转换后的数据中每一个样本的向量都是横向的
dataMat = np.mat(dataArr)
# 将标签转换成矩阵,之后转置(.T为转置)。
# 转置是因为在运算中需要单独取label中的某一个元素,如果是1xN的矩阵的话,无法用label[i]的方式读取
# 对于只有1xN的label可以不转换成矩阵,直接label[i]即可,这里转换是为了格式上的统一
labelMat = np.mat(labelArr).T
# 获取数据矩阵的大小,为m*n
m, n = np.shape(dataMat)
# 创建初始权重w,初始值全为0。
# np.shape(dataMat)的返回值为m,n -> np.shape(dataMat)[1])的值即为n,与
# 样本长度保持一致
w = np.zeros((1, np.shape(dataMat)[1]))
# 初始化偏置b为0
b = 0
# 初始化步长,也就是梯度下降过程中的n,控制梯度下降速率
h = 0.0001
# 进行iter次迭代计算
for k in range(iter):
# 对于每一个样本进行梯度下降
# 李航书中在2.3.1开头部分使用的梯度下降,是全部样本都算一遍以后,统一
# 进行一次梯度下降
# 在2.3.1的后半部分可以看到(例如公式2.6 2.7),求和符号没有了,此时用
# 的是随机梯度下降,即计算一个样本就针对该样本进行一次梯度下降。
# 两者的差异各有千秋,但较为常用的是随机梯度下降。
for i in range(m):
# 获取当前样本的向量
xi = dataMat[i]
# 获取当前样本所对应的标签
yi = labelMat[i]
# 判断是否是误分类样本
# 误分类样本特诊为: -yi(w*xi+b)>=0,详细可参考书中2.2.2小节
# 在书的公式中写的是>0,实际上如果=0,说明改点在超平面上,也是不正确的
if -1 * yi * (w * xi.T + b) >= 0:
# 对于误分类样本,进行梯度下降,更新w和b
w = w + h * yi * xi
b = b + h * yi
# 打印训练进度
print('Round %d:%d training' % (k, iter))
# 返回训练完的w、b
return w, b
def accuracy(dataArr, labelArr, w, b):
'''
测试准确率
:param dataArr:测试集
:param labelArr: 测试集标签
:param w: 训练获得的权重w
:param b: 训练获得的偏置b
:return: 正确率
'''
print('start to test')
# 将数据集转换为矩阵形式方便运算
dataMat = np.mat(dataArr)
# 将label转换为矩阵并转置,详细信息参考上文perceptron中
# 对于这部分的解说
labelMat = np.mat(labelArr).T
# 获取测试数据集矩阵的大小
m, n = np.shape(dataMat)
# 错误样本数计数
errorCnt = 0
# 遍历所有测试样本
for i in range(m):
# 获得单个样本向量
xi = dataMat[i]
# 获得该样本标记
yi = labelMat[i]
# 获得运算结果
result = -1 * yi * (w * xi.T + b)
# 如果-yi(w*xi+b)>=0,说明该样本被误分类,错误样本数加一
if result >= 0:
errorCnt += 1
# 正确率 = 1 - (样本分类错误数 / 样本总数)
accruRate = 1 - (errorCnt / m)
# 返回正确率
return accruRate
if __name__ == '__main__':
# 获取当前时间
# 在文末同样获取当前时间,两时间差即为程序运行时间
start = time.time()
# 获取训练集及标签
trainData, trainLabel = loadData('../Mnist/mnist_train.csv')
# 获取测试集及标签
testData, testLabel = loadData('../Mnist/mnist_test.csv')
# 训练获得权重
w, b = perceptron(trainData, trainLabel, iter=30)
# 进行测试,获得正确率
accruRate = accuracy(testData, testLabel, w, b)
# 获取当前时间,作为结束时间
end = time.time()
# 显示正确率
print('accuracy rate is:', accruRate)
# 显示用时时长
print('time span:', end - start)
运行结果
start to read data
start to read data
start to trans
Round 0:30 training
Round 1:30 training
Round 2:30 training
Round 3:30 training
Round 4:30 training
Round 5:30 training
Round 6:30 training
Round 7:30 training
Round 8:30 training
Round 9:30 training
Round 10:30 training
Round 11:30 training
Round 12:30 training
Round 13:30 training
Round 14:30 training
Round 15:30 training
Round 16:30 training
Round 17:30 training
Round 18:30 training
Round 19:30 training
Round 20:30 training
Round 21:30 training
Round 22:30 training
Round 23:30 training
Round 24:30 training
Round 25:30 training
Round 26:30 training
Round 27:30 training
Round 28:30 training
Round 29:30 training
start to test
accuracy rate is: 0.8172
time span: 2366.2143952846527