06_采用感知器进行二分类

---

博文配套视频课程：24小时实现从零到AI人工智能

---

编写函数调整权重

此处与机器学习的线性回归非常像，循环的过程就是不断调整权重与偏置的过程，如果样本有2个特征，那么需要调整的参数为2个权重加一个偏置

def perceptron(xn, yn, max_iter=10000, a=0.1, w=np.zeros(3)):
    N = xn.shape[0]
    # 函数里面在构造一个函数,对数据样本进行分类
    # np.sign() 激活函数,可以把结果转化 1 或者 -1
    # x ==> x[0] x[1]
    f = lambda x: np.sign(w[0] * 1 + w[1] * x[0] + w[2] * x[1])
    # 循环反向传播,如果预测值与标准值不等则修改权重和偏置
    for _ in range(max_iter):
        # 随机获取一个样本作为测试样本
        i = np.random.randint(N)
        # yn[i] 是样本的目标值, xn[i,:] 第i个样本的特征值   f(xn[i,:]) 预测值
        if (yn[i] != f(xn[i, :])):
            # 更新权重与偏置 权重原值 + 目标值 * 输入值 * 学习率
            w[0] = w[0] + yn[i] * 1 * a
            w[1] = w[1] + yn[i] * xn[i,0] * a
            w[2] = w[2] + yn[i] * xn[i,1] * a
    return w

寻找超平面

超平面本质上就是样本的分界线，由于当前的样本只有两个特征，那么分界线就是平面上的一条直线，因此通过前面获取的w与b的偏置来求线性参数a与b

w = perceptron(xn,yn,max_iter=10000)
print(w)
# 通过w生成预测分类线函数的a,b的值
bnew = -w[0] / w[2]
anew = -w[1] / w[2]
# 通过a与b生成预测分类线函数
y = lambda x:anew * x + bnew
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(x,y(x),'b--',label="感知器分类线")
plt.legend()
plt.title('感知器生成分类线输出')
plt.show()

感知器分类结果

感知器完整代码如下

import numpy as np
import matplotlib.pyplot as plt

# 生成一条随机的直线
x = np.linspace(0, 1, 2)
print(x)
# 生成直线的方程: y = w * x + b
w = np.random.rand()
b = np.random.rand()
print(f'w={w},b={b}')
# 创建一个函数,返回y值
# def fn(x):
#     return w*x+b
fn = lambda x: w * x + b
# 通过可视化来创建直线
plt.plot(x, fn(x), 'r',label='标准分类线')
# 通过直线把生成的100个点分成两个类别
N = 100
xn = np.random.rand(N, 2)
# 存储每个样本的类别 [1,-1]
yn = np.zeros([N, 1])
# 通过之前的直线把样本分成两类
for i in range(N):
    if (fn(xn[i, 0]) >= xn[i, 1]):
        # 当前的x[i]的点在直线的下方
        yn[i] = -1
        plt.plot(xn[i, 0], xn[i, 1], 'rx', markersize=8)
    else:
        yn[i] = 1
        plt.plot(xn[i, 0], xn[i, 1], 'go', markersize=8)

# 对于给定的x,y值,感知器要寻找超平面
def perceptron(xn, yn, max_iter=10000, a=0.1, w=np.zeros(3)):
    N = xn.shape[0]
    # 函数里面在构造一个函数,对数据样本进行分类
    # np.sign() 激活函数,可以把结果转化 1 或者 -1
    # x ==> x[0] x[1]
    f = lambda x: np.sign(w[0] * 1 + w[1] * x[0] + w[2] * x[1])
    # 循环反向传播,如果预测值与标准值不等则修改权重和偏置
    for _ in range(max_iter):
        # 随机获取一个样本作为测试样本
        i = np.random.randint(N)
        # yn[i] 是样本的目标值, xn[i,:] 第i个样本的特征值   f(xn[i,:]) 预测值
        if (yn[i] != f(xn[i, :])):
            # 更新权重与偏置 权重原值 + 目标值 * 输入值 * 学习率
            w[0] = w[0] + yn[i] * 1 * a
            w[1] = w[1] + yn[i] * xn[i,0] * a
            w[2] = w[2] + yn[i] * xn[i,1] * a
    return w

w = perceptron(xn,yn,max_iter=10000)
print(w)
# 通过w生成预测分类线函数的a,b的值
bnew = -w[0] / w[2]
anew = -w[1] / w[2]
# 通过a与b生成预测分类线函数
y = lambda x:anew * x + bnew
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(x,y(x),'b--',label="感知器分类线")
plt.legend()
plt.title('感知器生成分类线输出')
plt.show()