引言
下面我们将进入准AI决策的环节,这次是AI决策三部曲专辑的最后一章,大家别眨眼,上文见此处
(32条消息) pythonAI三部曲 —— 量化篇_BC_淡泊明志的博客-CSDN博客
(32条消息) pythonAI三部曲 —— 准备篇_BC_淡泊明志的博客-CSDN博客
正文
步骤5:训练AI模型
训练AI模型需要使用以下代码:
from sklearn.linear_model import Perceptron
ppn = Perceptron(tol=1e-3, random_state=0)
ppn.fit(X_train_std, y_train)
步骤6:测试AI模型
训练完AI模型之后,需要测试它是否正确。我们可以使用以下代码来预测测试数据的类别:
y_pred = ppn.predict(X_test_std)
print('Misclassified samples:%d'%(y_test!= y_pred).sum())
步骤7:生成决策边界
最后,我们可以将决策边界绘制出来,将训练数据的区域根据预测的结果使用不同的颜色进行填充,生成决策边界。
from matplotlib.colors import ListedColormap
def plot_decision_regions(X, y, classifier, test_idx=None, resolution=0.02):
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(xx1.shape) plt.contourf(xx1, xx2, Z, alpha=0.3, 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=colors[idx], marker=markers[idx], label=cl, edgecolor='black') if test_idx: X_test, y_test = X[test_idx, :], y[test_idx] plt.scatter(X_test[:, 0], X_test[:, 1], c='', edgecolor='black', alpha=1.0, linewidth=1, marker='o', s=100, label='Test Set') X_combined_std = np.vstack((X_train_std, X_test_std)) y_combined = np.hstack((y_train, y_test)) plot_decision_regions(X=X_combined_std, y=y_combined, classifier=ppn, test_idx=range(105, 150)) plt.xlabel('Petal Length [standardized]') plt.ylabel('Petal Width [standardized]') plt.legend(loc='upper left') plt.show()
结语
这个简单的AI程序可以成功地将Iris数据集分为三个类别。通过数据的可视化与决策边界的绘制,进一步解释了AI的预测结果。
更多AI的知识,请看后文
希望这份Python AI的深入、全面教程对您有所帮助。若有其他问题、需求,请随时在评论区留言。