利用sklearn.dataset随机产生数据,随机生成两类数据,用不同的颜色展示出来,如下图:
![2b0de9deb56e9f3aee003db8899d5082.png](https://i-blog.csdnimg.cn/blog_migrate/28ff9fecd77960cbd46fb6329c5d65ac.jpeg)
产生的随机代码如下:
#随机产生的数据np.random.seed(0)X,y=datasets.make_moons(300,noise=0.25)plt.scatter(X[:,0],X[:,1],s=50,c=y,cmap=plt.cm.Vega20c,edgecolors="Black")plt.title('Random data')plt.show()
一、线性分类
先使用sklearn自带的线性分类方法,将上面的数据分为两类,代码和效果图如下:
![47e12c39d705ecb6a971ec263aabb4b3.png](https://i-blog.csdnimg.cn/blog_migrate/fc8dd51579a805b39bbc5375b55ed977.jpeg)
from sklearn import linear_modelfrom sklearn import datasetsimport sklearnimport numpy as npimport matplotlib.pyplot as plt#绘制分类边界函数def plot_boundary(pred_func,data,labels): x_min,x_max=data[:,0].min()-0.5,data[:,0].max()+0.5 y_min,y_max=data[:,1].min()-0.5,data[:,1].max()+0.5 h=0.01 xx,yy=np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h)) z=pred_func(np.c_[xx.ravel(),yy.ravel()]) z=z.reshape(xx.shape) plt.contourf(xx,yy,z,cmap=plt.cm.Blues,alpha=0.2) plt.scatter(data[:,0],data[:,1],s=40,c=labels,cmap=plt.cm.Vega20c,edgecolors="Black") plt.show()#线性分类logistic_fun=sklearn.linear_model.LogisticRegressionCV()clf=logistic_fun.fit(X,y)#展示分类图plot_boundary(lambda x:clf.predict(x),X,y)plt.title("Logistic Regression")
二、神经网络分类
定义如下图所示的神经网络:
![76847e6d33d4c173bd1c1f4c55182a6f.png](https://i-blog.csdnimg.cn/blog_migrate/41158ac11f2008ad4fa8898e35ccee36.jpeg)
网络结构:输入层、隐藏层、输出层【2,3,2】
激活函数使用Tanh函数,最后通过Softmax层把激活函数的输出转换为概率
对于分类问题,损失函数使用交叉熵损失,公式如下:
![3596264ed12cd4ae8dff20d8115480ef.png](https://i-blog.csdnimg.cn/blog_migrate/48ee521189f492e1cfcd2bf831a0d393.jpeg)
其中,p为期望概率分布(实际值),q为网络输出(预测值)
而为了避免过拟合,可添加L2正则化,新的损失函数即为:
![d8ee48423d1568dbc1de8e53b4b013f6.png](https://i-blog.csdnimg.cn/blog_migrate/41c77d7160de10bd02c17b8925aed357.jpeg)
关于反向传播与参数更新可参看这篇博客:https://www.cnblogs.com/wangyong/p/9740170.html
接下来,直接查看代码:
from sklearn import datasetsimport sklearnimport numpy as npimport matplotlib.pyplot as pltinput_dim=2 #输入维度output_dim=2 #输出的维度,分类数epsilon=0.01 #梯度下降算法的学习率reg_lambda=0.01def calculate_loss(model,X,y): num_examples=len(X) W1,b1,W2,b2=model['W1'],model['b1'],model['W2'],model['b2'] #正向传播计算预测值 z1=X.dot(W1)+b1 a1=np.tanh(z1) z2=a1.dot(W2)+b2 #Softmax计算概率 exp_scores=np.exp(z2) probs=exp_scores/np.sum(exp_scores,axis=1,keepdims=True) #交叉熵损失 corect_logprobs=-np.log(probs[range(num_examples),y]) data_loss=np.sum(corect_logprobs) #L2正则化 data_loss+=reg_lambda/2*(np.sum(np.square(W1))+np.sum(np.square(W2))) return (1.0/num_examples)*data_lossdef predict(model,x): W1,b1,W2,b2=model['W1'],model['b1'],model['W2'],model['b2'] #向前传播 z1=x.dot(W1)+b1 a1=np.tanh(z1) z2=a1.dot(W2)+b2 exp_scores=np.exp(z2) probs=exp_scores/np.sum(exp_scores,axis=1,keepdims=True) return np.argmax(probs,axis=1)def plot_boundary(pred_func,data,labels): x_min,x_max=data[:,0].min()-0.5,data[:,0].max()+0.5 y_min,y_max=data[:,1].min()-0.5,data[:,1].max()+0.5 h=0.01 xx,yy=np.meshgrid(np.arange(x_min,x_max,h),np.arange(y_min,y_max,h)) z=pred_func(np.c_[xx.ravel(),yy.ravel()]) z=z.reshape(xx.shape) plt.contourf(xx,yy,z,cmap=plt.cm.Blues,alpha=0.2) plt.scatter(data[:,0],data[:,1],s=40,c=labels,cmap=plt.cm.Vega20c,edgecolors="Black") plt.show()def ANN_model(X,y,nn_dim): num_indim=len(X) #训练数据集 model={} np.random.seed(0) W1=np.random.randn(input_dim,nn_dim)/np.sqrt(input_dim) b1=np.zeros((1,nn_dim)) W2=np.random.randn(nn_dim,output_dim)/np.sqrt(nn_dim) b2=np.zeros((1,output_dim)) #批量梯度下降算法BSGD num_passes=20000 #梯度下降迭代次数 for i in range(0,num_passes): #向前传播 z1=X.dot(W1)+b1 a1=np.tanh(z1) z2=a1.dot(W2)+b2 exp_scores=np.exp(z2) probs=exp_scores/np.sum(exp_scores,axis=1,keepdims=True) #向后传播算法 delta3=probs delta3[range(num_indim),y] -= 1 delta2=delta3.dot(W2.T)*(1-np.power(a1,2)) dW2=(a1.T).dot(delta3) db2=np.sum(delta3,axis=0,keepdims=True) dW1=np.dot(X.T,delta2) db1=np.sum(delta2,axis=0) dW1 += reg_lambda * W1 dW2 += reg_lambda * W2 #更新权重 W1 += -epsilon * dW1 b1 += -epsilon * db1 W2 += -epsilon * dW2 b2 += -epsilon * db2 model={'W1':W1,'b1':b1,'W2':W2,'b2':b2} if i%1000==0: print("Loss after iteration %i:%f