用Python实现感知器学习算法

鲸鱼在dn

已于 2023-10-26 13:45:41 修改

阅读量443

点赞数

分类专栏：机器学习和深度学习基础文章标签： python 机器学习

于 2023-10-25 11:53:11 首次发布

本文链接：https://blog.csdn.net/qq_41697157/article/details/134031220

版权

机器学习和深度学习基础专栏收录该内容

9 篇文章 0 订阅

订阅专栏

https://github.com/rasbt/python-machine-learning-book-3rd-edition

MIT License

《Python机器学习第三版》第二章训练简单的机器学习分类算法

人工神经元 - 机器学习的早期历史

人工神经元的定义

我们把人工神经元的逻辑放在二元分类的场景，将这两个类分别命名为1（正类）和-1（负类）然后定义决策函数 $\phi(z)$ 。给出以下定义：
$w_0x_0+w_1x_1+\cdots+w_mx_m = \boldsymbol{w^Tx}$
其中，权重零定义为 $w_0=-\theta, x_0=1$ ,且在机器学习文献中，我们通常把负的阈值或权重 $w_0=-\theta$ 称为偏置

$\phi(z)=\left\{ \begin{aligned} 1 & 如果z>=0 \\ -1 & 否则 \ \end{aligned} \right.$

感知器的学习规则

罗森布拉特的初始感知器规则，总结为以下几个步骤：

1）把权重初始化为0或者小的随机数

2）分别对每个训练样本 $x^{(i)}$

a.计算输出值 $\hat{y}$

b.更新权重

更准确的表达式为：
$w_j :=w_j+\Delta w_j$
其中， $\Delta w_j$ 是用来更新 $w_j$ 的值，计算该值的方式如下：
$ \Delta w_j = \eta (y^{(i)} - \hat{y}^{i})x_j{(i)}$
其中 $\eta$ 为学习速率

注意：只有两个类线性可分且学习速率足够小时，感知器的收敛性才能得到保证。如果不能用线性决策边界分离两个类，可以为训练数据集设置最大通过次数(迭代次数)及容忍误分类的阈值，否则分类感知器将会永不停止的更新权重。线性不可分示例如图2-3,感知器规则图示如图2-4。

图2-3 图片2-3
图2-4
在这里插入图片描述

用Python实现感知器学习算法

面向对象的感知器API

import numpy as np


class Perceptron(object):
    """Perceptron classifier.

    Parameters
    ------------
    eta : float
      Learning rate (between 0.0 and 1.0)
    n_iter : int
      Passes over the training dataset.
    random_state : int
      Random number generator seed for random weight
      initialization.

    Attributes
    -----------
    w_ : 1d-array
      Weights after fitting.
    errors_ : list
      Number of misclassifications (updates) in each epoch.

    """
    #初始化新的Perceptron对象
    def __init__(self, eta=0.01, n_iter=50, random_state=1):
        self.eta = eta #学习速率
        self.n_iter = n_iter #学习次数（遍历训练集的次数）
        self.random_state = random_state

    def fit(self, X, y):
        """Fit training data.

        Parameters
        ----------
        X : {array-like}, shape = [n_examples, n_features]
          Training vectors, where n_examples is the number of examples and
          n_features is the number of features.
        y : array-like, shape = [n_examples]
          Target values.

        Returns
        -------
        self : object

        """
        rgen = np.random.RandomState(self.random_state)
        #我们在属性后面添加下划线，如self.w_；
        #初始化权重：通过调用rgen.normal产生标准差为0.01的正太分布，rgen是Numpy的随机数生成器，随机种子由用户指定，保证在需要时可以重现结果
        self.w_ = rgen.normal(loc=0.0, scale=0.01, size=1 + X.shape[1]) 
        self.errors_ = []
        
        #遍历所有的样本，并更新权重
        for _ in range(self.n_iter):
            errors = 0
            for xi, target in zip(X, y):
                update = self.eta * (target - self.predict(xi)) #这里的self.predict(xi)输出都是整数，0，-1，1
                self.w_[1:] += update * xi
                self.w_[0] += update #偏置
                errors += int(update != 0.0)
            self.errors_.append(errors)
        return self

    def net_input(self, X):
        """Calculate net input"""
        return np.dot(X, self.w_[1:]) + self.w_[0] #计算点积 

    def predict(self, X):
        """Return class label after unit step"""
        return np.where(self.net_input(X) >= 0.0, 1, -1)

在鸢尾花数据集上训练感知器模型

加载鸢尾花数据集

import os
import pandas as pd


s = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
print('URL:', s)

df = pd.read_csv(s,
                 header=None,
                 encoding='utf-8')

df.tail()

URL: https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data

	0	1	2	3	4
145	6.7	3.0	5.2	2.3	Iris-virginica
146	6.3	2.5	5.0	1.9	Iris-virginica
147	6.5	3.0	5.2	2.0	Iris-virginica
148	6.2	3.4	5.4	2.3	Iris-virginica
149	5.9	3.0	5.1	1.8	Iris-virginica

绘制数据分布

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

# select setosa and versicolor
y = df.iloc[0:100, 4].values
y = np.where(y == 'Iris-setosa', -1, 1)

# extract sepal length and petal length
X = df.iloc[0:100, [0, 2]].values

# plot data
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('sepal length [cm]')
plt.ylabel('petal length [cm]')
plt.legend(loc='upper left')

# plt.savefig('images/02_06.png', dpi=300)
plt.show()

在这里插入图片描述

训练感知器模型

ppn = Perceptron(eta=0.1, n_iter=1)

ppn.fit(X, y)

plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')
plt.xlabel('Epochs')
plt.ylabel('Number of updates')

# plt.savefig('images/02_07.png', dpi=300)
plt.show()

在这里插入图片描述

画决策边界的函数

from matplotlib.colors import ListedColormap


def plot_decision_regions(X, y, classifier, resolution=0.02):

    # setup marker generator and color map
    markers = ('s', 'x', 'o', '^', 'v')
    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
    cmap = ListedColormap(colors[:len(np.unique(y))])

    # plot the decision surface
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
                           np.arange(x2_min, x2_max, resolution))
    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
    Z = Z.reshape(xx1.shape)
    plt.contourf(xx1, xx2, Z, alpha=0.3, cmap=cmap)
    plt.xlim(xx1.min(), xx1.max())
    plt.ylim(xx2.min(), xx2.max())

    # plot class examples
    for idx, cl in enumerate(np.unique(y)):
        plt.scatter(x=X[y == cl, 0], 
                    y=X[y == cl, 1],
                    alpha=0.8, 
                    c=colors[idx],
                    marker=markers[idx], 
                    label=cl, 
                    edgecolor='black')

plot_decision_regions(X, y, classifier=ppn)
plt.xlabel('sepal length [cm]')
plt.ylabel('petal length [cm]')
plt.legend(loc='upper left')


# plt.savefig('images/02_08.png', dpi=300)
plt.show()