感知器实战

一、定义感知器接口

方法：通过使用面向对象编程的方式在一个Python类里定义感知器接口，使得我们可以初始化新的感知器对象，并使用类中定义的fit方法从数据中进行学习，用predict方法进行预测。

import numpy as np
class Perceptron(object):
    def _init_(self,eta=0.01,n_iter=10):
        self.eta=eta
        self.n_iter=n_iter
        
    def fit(self,X,y):
        #self:object
        self.w_=np.zeros(1+X.shape[1])
        self.errors_=[]
        
        for _ in range(self.n_iter):
            errors=0X
            for xi,target in zip(X,y):
                update=self.eta*(target-self.predict(xi))
                self.w_[1:]+=update*xi
                self.w_[0]+=update
                errors+=int(update!=0.0)
            self.errors_.append(errors)
        return self
    
    def net_input(self,X):
        return np.dot(X,self.w_[1:])+self.w_[0]
    
    def predict(self,X):
        return np.where(self.nnet_input(X)>=0.0,1,-1)

基于鸢尾花数据集训练感知器模型

1、数据探索及可视化

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
df=pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data',header=None)

y=df.iloc[0:100,4].values
y=np.where(y=='Iris-setosa',-1,1)
X=df.iloc[0:100,[0,2]].values  #去掉values会提示“TypeError: unhashable type: 'slice'”
plt.scatter(X[:50,0],X[:50,1],color='red',marker='o',label='setosa')
plt.scatter(X[50:100,0],X[50:100,1],color='blue',marker='x',label='versicolor')
plt.xlabel('petal length')
plt.ylabel('sepal length')
plt.legend(loc='upper left')
plt.show()

2、训练感知器