Perceptron

#导入包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#读取数据（来源UCI），设置列名，查看
iris_df=pd.read_csv('../data/iris/iris.data')
iris_df.columns=['sepal length','sepal width','petal length','petal width','class']
iris_df.head()

	sepal length	sepal width	petal length	petal width	class
0	4.9	3.0	1.4	0.2	Iris-setosa
1	4.7	3.2	1.3	0.2	Iris-setosa
2	4.6	3.1	1.5	0.2	Iris-setosa
3	5.0	3.6	1.4	0.2	Iris-setosa
4	5.4	3.9	1.7	0.4	Iris-setosa

#查看数据的结构信息和统计信息
iris_df.info()
iris_df.describe().T

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 149 entries, 0 to 148
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   sepal length  149 non-null    float64
 1   sepal width   149 non-null    float64
 2   petal length  149 non-null    float64
 3   petal width   149 non-null    float64
 4   class         149 non-null    object 
dtypes: float64(4), object(1)
memory usage: 5.9+ KB

	count	mean	std	min	25%	50%	75%	max
sepal length	149.0	5.848322	0.828594	4.3	5.1	5.8	6.4	7.9
sepal width	149.0	3.051007	0.433499	2.0	2.8	3.0	3.3	4.4
petal length	149.0	3.774497	1.759651	1.0	1.6	4.4	5.1	6.9
petal width	149.0	1.205369	0.761292	0.1	0.3	1.3	1.8	2.5

#截取需要的原始数据（包含两个类别）
y=iris_df.iloc[0:99,4].values
#使用where来进行类标编码，将匹配到的类别替换为-1，其余的类别替换为1
y=np.where(y=='Iris-setosa',-1,1)
#选取花瓣长度和花萼长度来作为x
x=iris_df.iloc[0:99,[0,2]].values
#绘制第一个类别的散点图
plt.scatter(x[:49,0],x[:49,1],color='red',marker='o',label='setosa')
#绘制第二个类别的散点图
plt.scatter(x[49:99,0],x[49:99,1],color='blue',marker='x',label='setosa')
plt.xlabel('length')
plt.ylabel('width')
plt.legend(loc='upper left')
plt.show()

#感知机实现函数
class Perceptron:
    def __init__(self,eta=0.01,n_iter=10):
        self.eta=eta
        self.n_iter=n_iter
    def net_input(self,x):
        """
        获取净输入
        :param x: DataFrame
        :return matrix:
        """
        return np.dot(x,self.w_[1:])+self.w_[0]


    def predict(self,x):
        """
        获取二分类的预测值，0为分界
        :param x:DataFrame
        :return:
        """
        return np.where(self.net_input(x)>=0.0,1,-1)


    def fit(self,x,y):
        #初始化权重，外加一个w0，也就是阈值
        self.w_=np.zeros(1+x.shape[1])
        #保存累计迭代的错误次数
        self.errors_=[]
        #开始迭代
        for _ in range(self.n_iter):
            errors=0
            for xi,target in zip(x