2.Iris数据集：感知器模型的简单实战（分类）

一、程序

from sklearn import datasetsimport numpy as npiris=datasets.load_iris()X=iris.data[:,[2,3]]#2:3才不算3y=iris.targeta=np.unique(y)#返回类标值#交叉验证from sklearn.cross_validation import train_test_splitX_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=0)#数据标准化from sklearn.preprocessing import StandardScalersc=StandardScaler()sc.fit(X_train)#计算得到标准化要的u，方差X_train_std=sc.transform(X_train)#通过前面计算得到的参数对训练集、测试集分别进行处理X_test_std=sc.transform(X_test)#利用训练集进行建模from sklearn.linear_model import Perceptronppn=Perceptron(n_iter=40,eta0=0.1,random_state=0)ppn.fit(X_train_std,y_train)#在测试集上运用predict方法进行预测y_pred=ppn.predict(X_test_std)print('Misclassified samples:%d' %(y_test!=y_pred).sum())#计算分类准确率from sklearn.metrics import accuracy_scoreprint('Accuracy:%.2f' % accuracy_score(y_test,y_pred))#绘图from matplotlib.colors import ListedColormapimport matplotlib.pyplot as pltdef plot_decison_regions(X,y,classifier,test_idx=None,resolution=0.02):        #设置标记生成器和颜色映射    markers=('s','x','o','^','v')    colors=('red','blue','lightgreen','gray','cyan')#一维    cmap=ListedColormap(colors[:len(np.unique(y))])        #plot the decision surface    x1_min,x1_max=X[:,0].min()-1,X[:,0].max()+1    x2_min,x2_max=X[:,1].min()-1,X[:,0].max()+1    xx1,xx2=np.meshgrid(np.arange(x1_min,x1_max,resolution),np.arange(x2_min,x2_max,resolution))    Z=classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)    Z=Z.reshape(xx1.shape)    plt.contourf(xx1,xx2,Z,alpha=0.4,cmap=cmap)    plt.xlim(xx1.min(),xx1.max())    plt.ylim(xx2.min(),xx2.max())        #plot all samples    X_test,y_test=X[test_idx,:],y[test_idx]    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)        #用于区分哪些是测试集的结果        if test_idx:        X_test,y_test=X[test_idx,:],y[test_idx]        plt.scatter(X_test[:,0],X_test[:,1],c='',alpha=1.0,linewidth=1,marker='o',s=55,label='test set')        #呈现图像X_combined_std=np.vstack((X_train_std,X_test_std))y_combined=np.hstack((y_train,y_test))plot_decison_regions(X=X_combined_std,y=y_combined,classifier=ppn,test_idx=range(105,150))plt.xlabel('petal length [standardized]')plt.ylabel('petal length [standardized]')plt.legend(loc='upper left')plt.show()

二、展示结果

可以看出，45个测试集中有4个分类错误。

附录：

np.meshgrid函数与ravel函数

meshgrid的作用适用于生成网格型数据，可以接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。接下来通过简单的shell交互来演示一下这个功能的使用，并做一下小结。

In [65]: xnums =np.arange(4) In [66]: ynums =np.arange(5) In [67]: xnumsOut[67]: array([0,1, 2, 3]) In [68]: ynumsOut[68]: array([0,1, 2, 3, 4]) In [69]: data_list= np.meshgrid(xnums,ynums) In [70]: data_listOut[70]:[array([[0, 1, 2,3],        [0, 1, 2, 3],        [0, 1, 2, 3],        [0, 1, 2, 3],        [0, 1, 2, 3]]), array([[0, 0, 0, 0],        [1, 1, 1, 1],        [2, 2, 2, 2],        [3, 3, 3, 3],        [4, 4, 4, 4]])] In [71]: x,y =data_listIn [72]: x.shapeOut[72]: (5L, 4L) In [73]: y.shapeOut[73]: (5L, 4L) In [74]: xOut[74]:array([[0, 1, 2,3],       [0, 1, 2, 3],       [0, 1, 2, 3],       [0, 1, 2, 3],       [0, 1, 2, 3]]) In [75]: yOut[75]:array([[0, 0, 0,0],       [1, 1, 1, 1],       [2, 2, 2, 2],#如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。       [3, 3, 3, 3],# 那么生成的第一个二维数组是以xarray为行，ydimesion行的向量；       [4, 4, 4, 4]])# 而第二个二维数组是以yarray的转置为列，xdimesion列的向量。In [13]: x.ravel()Out[13]: array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3])In [14]: y.ravel()Out[14]: array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4])