01利用sklean练习机器学习--sklean之感知机preceptron模型实践
来源:互联网 发布:linux 查看字体 编辑:程序博客网 时间:2024/06/05 20:35
1 介绍
台湾大学林轩田教授机器学习基石
02 Learning to Answer Yes or No
学习利用感知机来处理二分类模型
2 自己实现
#-*- coding:utf-8 -*-from numpy import *import matplotlib.pyplot as pltimport operatorimport timedef createTrainDataSet():#训练样本,第一个1为阈值对应的w,下同 trainData = [ [1, 1, 4], [1, 2, 3], [1, -2, 3], [1, -2, 2], [1, 0, 1], [1, 1, 2]] label = [1, 1, 1, -1, -1, -1] return trainData, labeldef createTestDataSet():#数据样本 testData = [ [1, 1, 1], [1, 2, 0], [1, 2, 4], [1, 1, 3]] return testDatadef sigmoid(X): X = float(X) if X > 0: return 1 elif X < 0: return -1 else: return 0def pla(traindataIn,trainlabelIn): traindata=mat(traindataIn) trainlabel=mat(trainlabelIn).transpose() m,n=shape(traindata) w=ones((n,1)) while True: iscompleted=True for i in range(m): if (sigmoid(dot(traindata[i],w))==trainlabel[i]): continue else: iscompleted=False w+=(trainlabel[i]*traindata[i]).transpose() if iscompleted: break return wdef classify(inX,w): result=sigmoid(sum(w*inX)) if result>0: return 1 else: return -1def plotBestFit(w): traindata,label=createTrainDataSet() dataArr = array(traindata) n = shape(dataArr)[0] xcord1=[];ycord1=[] xcord2=[];ycord2=[] for i in range(n): if int(label[i])==1: xcord1.append(dataArr[i,1]) ycord1.append(dataArr[i,2]) else: xcord2.append(dataArr[i, 1]) ycord2.append(dataArr[i, 2]) fig=plt.figure() ax= fig.add_subplot(111) ax.scatter(xcord1, ycord1,s=30,c='red',marker='s') ax.scatter(xcord2, ycord2,s=30,c='green') x = arange(-3.0, 3.0, 0.1) y = (-w[0]-w[1] * x)/w[2] ax.plot(x, y) plt.xlabel('X1'); plt.ylabel('X2') plt.show()def classifyall(datatest,w): predict=[] for data in datatest: result=classify(data,w) predict.append(result) return predictdef main(): trainData,label=createTrainDataSet() testdata=createTestDataSet() w=pla(trainData,label) result=classifyall(testdata,w) plotBestFit(w) print w print resultif __name__=='__main__': start = time.clock() main() end = time.clock() print('finish all in %s' % str(end - start))
参考:http://www.mamicode.com/info-detail-1434773.html
3 利用sklean
这里涉及利用sklean来生成数据,训练,保存,评估模型以及利用模型来预测等例子。
#-*- coding:utf-8 -*-from sklearn.datasets import make_classificationfrom matplotlib import pyplot as pltfrom sklearn.linear_model import Perceptronfrom sklearn.externals import joblibimport numpy as npx,y = make_classification(n_samples=1000, n_features=2,n_redundant=0,n_informative=1,n_clusters_per_class=1)#n_samples:生成样本的数量#n_features=2:生成样本的特征数,特征数=n_informative() + n_redundant + n_repeated#n_informative:多信息特征的个数#n_redundant:冗余信息,informative特征的随机线性组合#n_clusters_per_class :某一个类别是由几个cluster构成的#训练数据和测试数据x_data_train = x[:800,:]x_data_test = x[800:,:]y_data_train = y[:800]y_data_test = y[800:]#正例和反例positive_x1 = [x[i,0] for i in range(1000) if y[i] == 1]positive_x2 = [x[i,1] for i in range(1000) if y[i] == 1]negetive_x1 = [x[i,0] for i in range(1000) if y[i] == 0]negetive_x2 = [x[i,1] for i in range(1000) if y[i] == 0]#定义感知机clf = Perceptron(fit_intercept=False,n_iter=30,shuffle=False)#使用训练数据进行训练clf.fit(x_data_train,y_data_train)#得到训练结果,权重矩阵print(clf.coef_)#输出为:[[-0.38478876,4.41537463]]#超平面的截距,此处输出为:[0.]print(clf.intercept_)#保存模型joblib.dump(clf,'pla.model')#利用测试数据进行验证CLF = joblib.load('pla.model')acc = CLF.score(x_data_test,y_data_test)print(acc)#得到的输出结果为0.995,这个结果还不错吧。#测试单个事例print "[2.0,1.0] predict:",CLF.predict([2.0,1.0])#画出正例和反例的散点图plt.scatter(positive_x1,positive_x2,c='red')plt.scatter(negetive_x1,negetive_x2,c='blue')#画出超平面(在本例中即是一条直线)line_x = np.arange(-4,4)line_y = line_x * (-CLF.coef_[0][0] / CLF.coef_[0][1]) - CLF.intercept_plt.plot(line_x,line_y)plt.show()
参考https://zhuanlan.zhihu.com/p/27152953
阅读全文
0 0
- 01利用sklean练习机器学习--sklean之感知机preceptron模型实践
- SVM支持向量机分类模型SVC理论+python sklean.svm实践
- 机器学习之感知机&&python实践
- 机器学习:感知机模型
- 机器学习模型--感知机
- 机器学习之感知机模型及其实现
- 机器学习系列之 感知器模型
- sklean 数据集特征提取
- 机器学习之感知机
- 机器学习之感知机
- sklean中kmeans初始聚类点的选择
- sklean中交叉检验和混淆矩阵
- 感知器-----preceptron
- 机器学习系列之感知机
- 机器学习入门之感知机
- 机器学习基础之----感知机----
- 机器学习之感知机python实现
- <机器学习练习>感知机到支持向量机流程
- 审计简介
- Spring Boot 使用外部tomcat 启动服务
- subversion
- JavaScript HTMLcollection与数组的区别说明及转化
- 集合框架复习
- 01利用sklean练习机器学习--sklean之感知机preceptron模型实践
- R语言在linux环境下如何画图或保存图片
- 打不开老师的文件时出现的问题-1
- 高二退学,她如今是年收50亿“独角兽”掌门人
- 管理百人团队,服务上百家客户,她总结出销售成功的要诀丨72问
- phpStorm 快捷键收集以及配色方案
- 创投日报:11月28日收录投融资项目19起
- 乐视遭印度公司起诉;刘强东上任村长;特斯拉北京设立新能源研发公司丨价值早报
- out/target/common/obj/APPS/framework-res_intermediates/src/R.stamp