本文共 6806 字，大约阅读时间需要 22 分钟。

1.数据进行分类

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

=======================================================def plot_decision_regions(x, y, classifier, resolution=0.02):    marker = ('s', 'x', 'o', 'v')    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')    # y 的种类只有-1 和 1 ，根据相应的种类绘制对应的颜色    cmap = ListedColormap(colors[:len(np.unique(y))])    x1_min = x[:, 0].min() - 1    x1_max = x[:, 0].max()    x2_min = x[:, 1].min() - 1    x2_max = x[:, 1].max()    #print("花瓣长度最小值 为 %s， 最大值为 %s" % (x1_min, x1_max))    #print("花茎长度最小值 为 %s， 最大值为 %s" % (x2_min, x2_max))    # 构造向量，扩展成一个二维矩阵，resolution向量差值    xx1, xx2 = np.meshgrid(        np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))    #print("x1向量大小", np.arange(x1_min, x1_max, resolution).shape)    #print("x1向量", np.arange(x1_min, x1_max, resolution))    #print("x2向量大小", np.arange(x2_min, x2_max, resolution).shape)    #print("x2向量", np.arange(x2_min, x2_max, resolution))    #print("xx1 二维矩阵大小", xx1.shape)    #print("xx1 二维矩阵", xx1)    #print("xx2 二维矩阵大小", xx2.shape)    #print("xx2 二维矩阵", xx2)    z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)    print("xx1还原成单位向量:", xx1.ravel())    print("xx2还原成单位向量:", xx2.ravel())    print('分类后的模式数据', z)plot_decision_regions(x, y, ppn, resolution=0.02)=======================================================    # 预测函数    def predict(self, x):        # if self.net_input(x) >= 0.0:        #    np.where(1)        # else:        #    np.where(-1)        return np.where(self.net_input(x) >= 0.0, 1, -1)=======================================================    def net_input(self, x):        '''        [公式]Z = w0 * 1 + W1*X1 + ....+ Wn * Xn         '''        return np.dot(x, self.w_[1:]) + self.w_[0]        pass

运行结果

xx1还原成单位向量: [ 3.3   3.32  3.34 ...,  6.94  6.96  6.98]xx2还原成单位向量: [ 0.    0.    0.   ...,  5.08  5.08  5.08]分类后的模式数据 [-1 -1 -1 ...,  1  1  1]

2.可视化模型

# 转换为二维矩阵    z = z.reshape(xx1.shape)    # 数据画分类线    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)plot_decision_regions(x, y, ppn, resolution=0.02)plt.xlabel('x')plt.ylabel('y')plt.legend(loc='upper left')plt.show()

运行结果

3.源码

#!/usr/bin/env python3# -*- coding: utf-8 -*-'''实现感知器对象'''import numpy as np'''定义感知器类'''class Perceptron(object):    '''    eta:学习率    n_iter:权重向量的训练次数    w_:神经元权重向量    errors_:用于记录神经元判断出错的次数    '''    def __init__(self, eta=0.01, n_iter=10):        self.eta = eta        self.n_iter = n_iter    '''    fit 输入训练数据，培训神经元    x 表示 输入样本向量    y 表示样本分类    x:shape[n_samples, n_features]    x:[[1,2,3], [4,5,6]]    n_samples 向量个数 2    n_features 向量中的神经元个数 3    y:[1, -1],1对应[1,2,3]， -1对应[4,5,6]    '''    def fit(self, x, y):        # 初始化权重向量为 0        # x:[[1,2,3], [4,5,6]] 得 x.shape[1] = 2，+1 w0 步调函数的阈值        self.w_ = np.zeros(1 + x.shape[1])        self.errors_ = []        # 训练次数        for _ in range(self.n_iter):            errors = 0            '''            x:[[1,2,3], [4,5,6]]            y:[1, -1]            zip(x, y) = [[1,2,3, 1], [4, 5, 6, -1]]            '''            for xi, target in zip(x, y):                '''                Ps:公式 = 学习率 * (输入样本的正确分类 - 预测感知样本的分类) * xi                 '''                update = self.eta * (target - self.predict(xi))                '''                xi 是一个向量                update * xi 等价于                [∇w(1) = x[1] * update]                w_[1:] 忽略掉第  0 个元素，从第 1 个元素开始                '''                self.w_[1:] += update * xi                # 阈值更新                self.w_[0] += update                # 判断错误的次数                if(update != 0.0):                    errors = errors + 1                self.errors_.append(errors)                pass            pass    # 神经元    def net_input(self, x):        '''        [公式]Z = w0 * 1 + W1*X1 + ....+ Wn * Xn         '''        return np.dot(x, self.w_[1:]) + self.w_[0]        pass    # 预测函数    def predict(self, x):        # if self.net_input(x) >= 0.0:        #    np.where(1)        # else:        #    np.where(-1)        return np.where(self.net_input(x) >= 0.0, 1, -1)        pass    pass# 加载数据原料import pandas as pdfile = "D:/EclipseProject/PythonStudyBySu/su/iris.data.csv"# 无文件头df = pd.read_csv(file, header=None)# 读取前面 10 行数据# print(df.head(10))# 数据可视化展示import matplotlib.pyplot as plty = df.loc[0:99, 4].values#print("显示第四列前100条数据", y)y = np.where(y == "Iris-setosa", -1, 1)#print("对数据进行分类", y)# 抽取出第0和2列的数据x = df.iloc[0:100, [0, 2]].values# print("抽取出第0和2列的数据", x)# 画出图形# x 的第一列为x轴，第二列为y轴# 前50条数据#plt.scatter(x[:50, 0], x[:50, 1], color='red', marker='o', label='setosa')# 后50条数据# plt.scatter(x[50:100, 0], x[50:100, 1], color='blue',#            marker='x', label='versicolor')# plt.xlabel("花瓣长度")# plt.ylabel("花茎长度")#plt.legend(loc='upper left')# plt.show()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("error classify count")#plt.show()from matplotlib.colors import ListedColormapdef plot_decision_regions(X, y, classifier, resolution=0.02):    markers = ('s', 'x', 'o', 'v')    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')    # y 的种类只有-1 和 1 ，根据相应的种类绘制对应的颜色    cmap = ListedColormap(colors[:len(np.unique(y))])    x1_min = X[:, 0].min() - 1    x1_max = X[:, 0].max()    x2_min = X[:, 1].min() - 1    x2_max = X[:, 1].max()    #print("花瓣长度最小值 为 %s， 最大值为 %s" % (x1_min, x1_max))    #print("花茎长度最小值 为 %s， 最大值为 %s" % (x2_min, x2_max))    # 构造向量，扩展成一个二维矩阵，resolution向量差值    xx1, xx2 = np.meshgrid(        np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))    #print("x1向量大小", np.arange(x1_min, x1_max, resolution).shape)    #print("x1向量", np.arange(x1_min, x1_max, resolution))    #print("x2向量大小", np.arange(x2_min, x2_max, resolution).shape)    #print("x2向量", np.arange(x2_min, x2_max, resolution))    #print("xx1 二维矩阵大小", xx1.shape)    #print("xx1 二维矩阵", xx1)    #print("xx2 二维矩阵大小", xx2.shape)    #print("xx2 二维矩阵", xx2)    z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)    print("xx1还原成单位向量:", xx1.ravel())    print("xx2还原成单位向量:", xx2.ravel())    print('分类后的模式数据', z)    # 转换为二维矩阵    z = z.reshape(xx1.shape)    # 数据画分类线    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)plot_decision_regions(x, y, ppn, resolution=0.02)plt.xlabel('x')plt.ylabel('y')plt.legend(loc='upper left')plt.show()

4.git

5.学习笔记来源