Python常用分类预测模型---感知机

Python常用分类预测模型

一、感知机算法

import pandas as pd
import numpy as np
from matplotlib  import pyplot as plt

import os
os.getcwd()
os.chdir(r'D:\data05')
data = pd.read_csv('two_class_data.csv',header=0)

x = data.loc[: , ['x']]               ##输出的是dataframe类型
y = data.loc[: , ['y']]
c = data.loc[: , ['class']]

x1=data['x']                          ##输出的是Series类型
y1=data['y']
cl=data['class']

plt.scatter(x1,y1,c=cl)               ##Series类型的可根据类别绘图

from sklearn.model_selection import train_test_split
from sklearn.linear_model import Perceptron        ## 引用感知机Perceptron模块

feature = data[['x','y']]             ##data[['x']]输出的是数据框类型；data[['x']].values输出的是多维数组数据
target = data['class']                ##data['x']输出的是Series类型
####分割训练集和测试集
X_train , X_test , y_train , y_test = train_test_split(feature , target ,
                                                       test_size=0.3 , random_state=50)
##train_test_split用于将矩阵随机划分为训练子集和测试子集，random_state为随机种子数，test_size为测试集数所占比例
print(X_train.shape)                  ##返回矩阵的维度

model = Perceptron(max_iter=1000, tol=1e-3)
###target不能使用数据框类型，否则会报警告信息
model.fit(X_train , y_train)
results = model.predict(X_test)
print(results)

print(list(enumerate(results)))

###################绘制散点图
plt.figure(figsize=(9,8))             ##figsize设置图表的长宽
# 以默认样式绘制训练数据
plt.scatter(X_train.iloc[:, 0], X_train.iloc[:, 1], alpha=0.3)           ##alpha为指定散点透明度
# 以方块样式绘制测试数据
plt.scatter(X_test.iloc[:, 0], X_test.iloc[:, 1], marker='o', c=y_test)  ##c为颜色，区别于原始数据

for i,txt in enumerate(results):
    ##enumerate用于将一个可遍历的数据对象组合为一个索引序列，返回数据下标和数据
    plt.annotate(txt,(X_test.iloc[i, 0], X_test.iloc[i, 1]))
    ##annotate用于在图形上给数据添加文本注解，txt为注解，（）里为数据的坐标
plt.show()

####准确率得分
print(model.score(X_test , y_test))

###计算混淆矩阵
from sklearn.metrics import confusion_matrix
conf = confusion_matrix(y_test , results)
print(conf)

##################绘制混淆矩阵图
def plot_confusion_matrix(cm, label_name , title='Confusion Matrix' , cmap=plt.cm.Blues):   ##设置形参，包括混淆矩阵、标签名、标题、颜色
    plt.imshow(cm , interpolation='nearest' , cmap=cmap)                                    ##plt.imshow为默认配置，cmap为使用自定义的颜色
    plt.title(title)                                                                        ##设置标题
    plt.colorbar()                                                                          ##生成颜色棒，用以反映颜色深浅所代表的数字含义
    tick_marks = np.arange(len(label_name))                                                 ##设置坐标刻度标签的内容
    plt.xticks(tick_marks, label_name, rotation=0)                                          ##设置坐标刻度标签，rotation为将标签旋转的角度
    plt.yticks(tick_marks, label_name)
    thresh = cm.max() / 2
    for i in range(len(cm)):
        for j in range(len(cm[i])):
            plt.text(j, i, cm[i, j], ha="center", va="center",
                     color="white"  if cm[i,j] > thresh else "black")                      ##定义混淆矩阵文本标签内容
    plt.xlim(-0.5,1.5)                                                                     ##划定x轴和y轴的边界
    plt.ylim(1.5,-0.5)
    plt.ylabel('True label',fontsize=10)                                                   ##设置坐标轴标签，fontsize为字体大小
    plt.xlabel('Predicted label',fontsize=10)
    plt.tight_layout()                                                                     ##使图形更紧致

plot_confusion_matrix(conf , label_name = [0,1])
label=[0,1]
print(range(len(label)))
plt.show()