python做数据分类_Python-神经网络实现数据的分类

Python-神经网络实现数据的分类

发布时间:2017年07月21日 评论数：抢沙发

阅读数：943

1、ppn = Perceptron(eta = 0.1, n_iter = 10)

ppn.fit(X, y)

plt.plot(range(1, len(ppn.errors_)+1), ppn.errors_, marker = 'o')

plt.xlabel('Epochs')

plt.ylabel('错误分类次数')

plt.show()

2、数据处理

from matplotlib.colors import ListedColormap

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

"""

根据y给不同的种类填充不同的形状和颜色

(这里的y只有两种)

"""

markers = ('s', 'x', 'o', 'v')

colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')

cmap = ListedColormap(colors[:len(np.unique(y))])

"""

获得花茎和花瓣在数据统计中的最大值和最小值

"""

x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max()

x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()

#print(x1_min, x2_max)

#print(x1_min, x2_max)

"""

"""

#meshgrid根据 最大值和最小值 以及间距resolution构造向量并扩展为二维数组

xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))

#print(np.arange(x1_min, x1_max, resolution).shape)

#print(np.arange(x1_min, x1_max, resolution))

#print(xx1.shape)

#print(xx1)

Z = classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)

#print(xx1.ravel())

#print(xx2.ravel())

#print(z)

Z = Z.reshape(xx1.shape)

plt.contourf(xx1, xx2, Z, alpha = 0.4, cmap = cmap)

plt.xlim(xx1.min(), xx1.max())

plt.ylim(xx2.min(), xx2.max())

for idx, c1 in enumerate(np.unique(y)):

plt.scatter(x = X[y == c1, 0], y = X[y == c1, 1], alpha = 0.8, c = cmap(idx), marker = markers[idx], label = c1)

3、数据可视化

plot_decision_regions(X, y, ppn, resolution = 0.02)

plt.xlabel('花茎长度')

plt.ylabel('花瓣长度')

plt.legend(loc = 'upper left')

plt.show()

本文作者：HDC

文章标题： Python-神经网络实现数据的分类

本文地址：http://hdcin.cn/?post=282

版权声明：若无注明，本文皆为“小胖Blog's”原创，转载请保留文章出处。



提交评论

名  字：

邮  箱：

网  址：

清空信息

关闭评论