Perceptron.py
import numpy as np
# 感知器算法
class Perceptron:
def fit(self, X, y):
m, n = X.shape
w = np.zeros((n,1))
b = 0
done = False
while not done:
done = True
for i in range(m):
x = X[i].reshape(1,-1)
if y[i] * (x.dot(w) + b) <= 0:
w = w + y[i] * x.T
b = b + y[i]
done = False
self.w = w
self.b = b
def predict(self, X):
return np.sign(X.dot(self.w) + self.b)
Ink.py
# 墨渍数据从Sklearn获取
from sklearn.datasets.samples_generator import make_blobs
import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from perceptron import Perceptron #导入感知器类
# 生成墨迹,图1
plt.figure(1)
# 读取m个墨渍数据
X, y = make_blobs(n_samples=100, centers=2, n_features=2, cluster_std=0.6, random_state=0)
# n_samples -在集群中平均分配的总点数。
# n_features—每个示例的特性数量。
# centers -(默认值=3)生成的中心数量,或固定的中心位置。
# cluster_std -集群的标准偏差。
# center_box—当随机生成中心时,每个集群中心的边界框。
# random_state -如果是int, random_state是随机数生成器使用的种子;如果RandomState为实例,random_state为随机数生成器;如果为None,则随机数生成器是' np.random '使用的RandomState实例。
plt.plot(X[:, 0][y == 1], X[:, 1][y == 1], "bs", ms=3) # 正例蓝色点
plt.plot(X[:, 0][y == 0], X[:, 1][y == 0], "yo", ms=3) # 负例黄色点
# 展示
plt.show()
y = 2 * y - 1 # 标签 -1或+1
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=5) # 训练集、测试集划分
model = Perceptron() # 声明Perceptron实例
model.fit(X_train, y_train) # 训练
w = model.w # model 的参数 w
b = model.b # model 的参数 b
# 输出w 和 b
print('w=', w)
print('b=', b)
# 生成训练数据
x0 = np.linspace(-1, 5, 200) # 在[-1,5]均匀取200个点
line = -w[0] / w[1] * x0 - b / w[1] # 分离线 已知w,b,x0,求x1, w0x0+w1x1+b=0 , x1即line
# draw 对训练数据集进行分类,两类分离线,图二
plt.figure(2)
plt.plot(X_train[:, 0][y_train == 1], X_train[:, 1][y_train == 1] + 0.1, "bs", ms=3) # 正例蓝色点
plt.plot(X_train[:, 0][y_train == -1], X_train[:, 1][y_train == -1] - 0.1, "yo", ms=3)# 负例黄色点
plt.plot(x0, line)
plt.show()
# draw 对测试数据集进行分类,两类分离线,图三
plt.figure(3)
plt.plot(X_test[:, 0][y_test == 1], X_test[:, 1][y_test == 1], "bs", ms=3) # 正例蓝色点
plt.plot(X_test[:, 0][y_test == -1], X_test[:, 1][y_test == -1], "yo", ms=3) # 负例黄色点
plt.plot(x0, line)
plt.show()
y_pred = model.predict(X_test) # 测试
accuracy = accuracy_score(y_test, y_pred) # 测试结果的评价 sklearn.metrics.accuracy_score
print("accuracy= {}".format(accuracy))
运行截图