机器学习_9人工神经网络

1.感知机算法——单层神经网络

感知机算法介绍

1．感知机是根据输入实例的特征向量x对其进行二分类的线性分类模型,需学习的目标函数是：

从一堆输入输出中学习模型参数w和b。
具体算法流程：

2．感知机学习的策略是极小化损失函数：

损失函数对应于误分类点到分离超平面的总距离。

3．感知机学习算法是基于随机梯度下降法的对损失函数的最优化算法，有原始形式和对偶形式。算法简单且易于实现。原始形式中，首先任意选取一个超平面，然后用梯度下降法不断极小化目标函数。在这个过程中一次随机选取一个误分类点使其梯度下降。

4．当训练数据集线性可分时，感知机学习算法是收敛的。感知机算法在训练数据集上的误分类次数$k$满足不等式：

当训练数据集线性可分时，感知机学习算法存在无穷多个解，其解由于不同的初值或不同的迭代顺序而可能有所不同。

二分类模型：

---

随机梯度下降法 Stochastic Gradient Descent：

随机抽取一个误分类点使其梯度下降。

当实例点被误分类，即位于分离超平面的错误侧，则调整$w$, $b$的值，使分离超平面向该无分类点的一侧移动，直至误分类点被正确分类

代码实现

拿出iris数据集中两个分类的数据[sepal length，sepal width]作为特征

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# load data
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target

df.columns = [ 'sepal length', 'sepal width', 'petal length', 'petal width', 'label']
print(df.label.value_counts())
# 0    50
# 1    50
# 2    50
# Name: label, dtype: int64

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0')
plt.scatter(df[50:100]['sepal length'], df[50:100]['sepal width'], label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
plt.show()

数据准备：

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# load data
iris = load_iris()
df = pd.DataFrame(iris.data, columns=iris.feature_names)
df['label'] = iris.target

df.columns = [ 'sepal length', 'sepal width', 'petal length', 'petal width', 'label']
data = np.array(df.iloc[:100, [0, 1, -1]])
X, y = data[:,:-1], data[:,-1]
y = np.array([1 if i == 1 else -1 for i in y])

1.Perceptron（感知器）

# 数据线性可分，二分类数据
# 此处为一元一次线性方程
class Model:
    def __init__(self):
        self.w = np.ones(len(data[0]) - 1, dtype=np.float32)
        self.b = 0
        self.l_rate = 0.1
        # self.data = data

    def sign(self, x, w, b):
        y = np.dot(x, w) + b
        return y

    # 随机梯度下降法
    def fit(self, X_train, y_train):
        is_wrong = False
        while not is_wrong:
            wrong_count = 0
            for d in range(len(X_train)):
                X = X_train[d]
                y = y_train[d]
                if y * self.sign(X, self.w, self.b) <= 0:
                    self.w = self.w + self.l_rate * np.dot(y, X)
                    self.b = self.b + self.l_rate * y
                    wrong_count += 1
            if wrong_count == 0:
                is_wrong = True
        return 'Perceptron Model!'

    def score(self):
        pass

perceptron = Model()
perceptron.fit(X, y)


x_points = np.linspace(4, 7, 10)
y_ = -(perceptron.w[0] * x_points + perceptron.b) / perceptron.w[1]
plt.plot(x_points, y_)

plt.plot(data[:50, 0], data[:50, 1], 'bo', color='blue', label='0')
plt.plot(data[50:100, 0], data[50:100, 1], 'bo', color='orange', label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()

2.scikit-learn实例

import sklearn
from sklearn.linear_model import Perceptron
sklearn.__version__
#   '0.22'

clf = Perceptron(fit_intercept=True, max_iter=1000, shuffle=True)
clf.fit(X, y)
 # Perceptron()函数参数：
 # Perceptron(alpha=0.0001, class_weight=None, early_stopping=False, eta0=1.0,
    #        fit_intercept=True, max_iter=1000, n_iter_no_change=5, n_jobs=None,
    #        penalty=None, random_state=0, shuffle=True, tol=0.001,
    #        validation_fraction=0.1, verbose=0, warm_start=False)


# Weights assigned to the features.(w1,w2)
print(clf.coef_)
#   [[ 23.2 -38.7]]

# 截距 Constants in decision function. (w0)
print(clf.intercept_)  
#   [-5.]

plt.figure()
# 中文标题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.title('鸢尾花线性数据示例')

plt.scatter(data[:50, 0],data[:50, 1],c='b',label='Iris-setosa')
plt.scatter(data[50:100, 0],data[50:100, 1], c='orange',label='Iris-versicolor')

# 画感知机的线
x_ponits = np.arange(4, 8)
y_ = -(clf.coef_[0][0] * x_ponits + clf.intercept_) / clf.coef_[0][1]
plt.plot(x_ponits, y_)

# 其他部分
plt.legend()  # 显示图例
plt.grid(False)  # 不显示网格
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
plt.show()

注意 !

上图中左下角有一个蓝点没有被正确分类，这是因为 SKlearn 的 Perceptron 实例中有一个tol参数。
tol 参数规定了如果本次迭代的损失和上次迭代的损失之差小于一个特定值时，停止迭代。所以我们需要设置 tol=None 使之可以继续迭代：

clf = Perceptron(fit_intercept=True, max_iter=1000, tol=None, shuffle=True)
clf.fit(X, y)

现在所有的两种鸢尾花都被正确分类了。

2.BP算法——多层神经网络

激活函数选择：

前两个主要用在一般BP算法，后两个主要用在深度学习的多层神经网络算法。Sigmoid最常用。

算法具体步骤：


其中，η为学习率，用于控制迭代的速度，不可过大，难以收敛；不可过小，训练时间过长且容易陷入局部最小值。


更新公式为：Whj=Whj+η gjbh

算法流程回顾：

BP算法优缺点：