从零开始数据科学与机器学习算法-简单感知器-05

最新推荐文章于 2024-04-28 00:34:31 发布

gemoumou

最新推荐文章于 2024-04-28 00:34:31 发布

阅读量120

点赞数

分类专栏：数据科学与机器学习算法学习笔记文章标签：算法机器学习 python 神经网络

本文链接：https://blog.csdn.net/qq_37978800/article/details/114262572

版权

数据科学与机器学习算法学习笔记专栏收录该内容

14 篇文章 0 订阅

订阅专栏

如下图给定的一组数据可以通过一条线分割成两个不同的类别称之为Linearly_Separable

在这里插入图片描述

如下图有明显特征但是不能通过线性进行切分称为线性不可分

在这里插入图片描述
我们可以在拿到数据后进行基本的判断，然后确定是否使用感知器方法解决（必须是可以Linearly_Separable）

建模思想就是IO与Para优化（调参）
在这里插入图片描述
通过矩阵转置与点乘快速解决

代码一

def predict(row, weights): # 传入想要的数据和权重
    activation = weights[0]
    for i in range(len(row)-1):
        activation += weights[i + 1] * row[i]
    return 1.0 if activation >= 0.0 else 0.0

# 瞎写的一种二分数据
dataset = [[2.78,2.55,0],
           [1.47,2.36,0],
           [1.39,1.85,0],
           [3.06,3.01,0],
           [7.63,2.76,0],
           [5.33,2.09,1],
           [6.93,1.76,1],
           [8.76,-0.77,1],
           [7.66,2.46,1]]
# 瞎写的权重
weights = [-1.23,0.30,-0.35]
# 预测
for row in dataset:
    prediction = predict(row,weights)
    print("真实值 : %d ,预测值 %d:" %(row[-1],prediction))

在这里插入图片描述

代码二

在这里插入图片描述


def predict(row, weights):
    activation = weights[0]
    for i in range(len(row) - 1):
        activation += weights[i + 1] * row[i]
    return 1.0 if activation >= 0.0 else 0.0


def opt_weights(train, learning_rate, how_many_epoch):
    weights = [0.0 for i in range(len(train[0]))]
    for epoch in range(how_many_epoch):
        sum_error = 0.0
        for row in train:
            prediction = predict(row, weights)
            error = row[-1] - prediction
            sum_error += error ** 2
            weights[0] = weights[0] + learning_rate * error
            for i in range(len(row) - 1):
                weights[i + 1] = weights[i + 1] + learning_rate * error * row[i]
        print('This is epoch: %d, our learning_rate is : %.4f, the error is : %.4f' % (epoch, learning_rate, sum_error))
    return weights


dataset = [[2.78, 2.55, 0],
           [1.47, 2.36, 0],
           [1.39, 1.85, 0],
           [3.06, 3.01, 0],
           [7.63, 2.76, 0],
           [5.33, 2.09, 1],
           [6.93, 1.76, 1],
           [8.76, -0.77, 1],
           [7.66, 2.46, 1]]

learning_rate = 0.1

how_many_epoch = 200

weights = opt_weights(dataset, learning_rate, how_many_epoch)

print(weights)

在这里插入图片描述

dataset = [[2.78,2.55,0],
           [1.47,2.36,0],
           [1.39,1.85,0],
           [3.06,3.01,0],
           [7.63,2.76,0],
           [5.33,2.09,1],
           [6.93,1.76,1],
           [8.76,-0.77,1],
           [7.66,2.46,1]]
# 使用梯度下降获得的权重
weights = [2.0000000000000004, 0.5690000000000017, -2.380999999999984]
# 预测
for row in dataset:
    prediction = predict(row,weights)
    print("真实值 : %d ,预测值 %d:" %(row[-1],prediction))