分类：版权声明：本文为博主原创文章，原文链接地址: http://blog.csdn.net/eric_doug
目录(?)[+]
最近在尝试将所有的机器学习与深度学习的模型用Python来实现，大致的学习思路如下：
分类器回归与预测时间序列所有的模型先用 Python语言实现，然后用Tensorflow的实现。
本文开始以UCI中的Iris数据集作为训练数据集和测试时间集。该数据集给出了花萼(sepal)的长度和宽度以及花瓣(petal)的长度和宽度，根据这4个特征训练模型，预测花的类别(Iris Setosa，Iris Versicolour，Iris Virginica)。
# 包引入import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport osdf = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)df.head(10)12345671234567
我们提取前100个样本(50个Iris Setosa和50个Iris Versicolour)，并将不同的样本类别标注为1(Iris Versicolour)和-1(Iris Setosa)；然后，将花萼的长度和花瓣的长度作为特征。大致处理如下：
y = df.iloc[0:100, 4].values # 预测标签向量y = np.where(y == 'Iris-setosa', -1, 1)X = df.iloc[0:100, [0,2]].values # 输入特征向量# 使用散点图可视化样本plt.scatter(X[:50, 0], X[:50,1], color='red', marker='o', label='setosa')plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor')plt.xlabel('petal length')plt.ylabel('sepal length')plt.legend(loc='upper left')plt.show12345678910111234567891011
我们可以将该问题转化为一个二分类的任务，因此，可以将1与-1作为类别标签。从而激活函数可以表示如下:
class Perceptron(object): """ Parameters ------------ eta : float 学习率 (between 0.0 and 1.0) n_iter : int 迭代次数 Attributes ----------- w_ : 1d-array 权重 errors_ : list 误差 """ def __init__(self, eta=0.01, n_iter=10): self.eta = eta self.n_iter = n_iter def fit(self, X, y): self.w_ = np.zeros(1 + X.shape[1]) self.errors_ = [] for _ in range(self.n_iter): errors = 0 for xi, target in zip(X, y): update = self.eta * (target - self.PRedict(xi)) self.w_[1:] += update * xi self.w_[0] += update errors += int(update != 0.0) self.errors_.append(errors) return self def net_input(self, X): return np.dot(X, self.w_[1:]) + self.w_[0] def predict(self, X): return np.where(self.net_input(X) >= 0.0, 1, -1)12345678910111213141516171819202122232425262728293031323334353637381234567891011121314151617181920212223242526272829303132333435363738
新闻热点
疑难解答
