机器学习笔记--实现简单的神经网络

编译环境使用的是anaconda，应用的是python语言

软件包的下载:https://mirrors.tuna.tsinghua.edu.cn/

安装后进入：

Environment-->root-->open with Jupyter NoteBook-->弹出网页-->new-->python

然后进行代码编写（代码是根据教学视频中的代码给出的）

import numpy as npclass Perceptron(object):         """            实现感知器的类            eta：学习率            n_iter:权重向量的训练次数            w_：神经分叉权重向量            errors_：用于记录神经元判断出错次数            def _int：为初始化函数        """    def _int_(self, eta = 0.01, n_iter=10):        self.eta=eta;        self.n_iter=n_iter        pass    def fit(self,X,y):            """               1.fit方法是为输入训练数据，培训神经元               2.其中X是电信号向量，即输入样本向量               3.y:每一个样本所属于的分类               4.每一个X都有一个shape属性，是对X向量的描述                 X:shape(n_samples,n_features)                 其中n_samples是指X中有多少个输入的样本量                 n_features这个分叉输入的电信号有多少个，比如神经元有三个分叉，则这个神经元                 可以接受三个输入电信号                 eg：x:[[1,2,3],[4,5,6]]                  n_samples:2                  n_features:3                  y:[1,-1]表示[1,2,3]属于分类1，[4,5,6]属于分类-1                1.初始化权重向量为0                2.np.zero:数学库，初始化分量全是0的一个向量                3.其中X.shape[1]为X.shape中的n_samples的值即为2                4.为什么np.zero中要+1,是对应阈值中的对应的w0，（步调函数的阈值）                5.self.errors_表示记录错误的次数            """        self.w_=np.zero(1+X.shape[1]);        self.errors_=[]                        """                    进入训练的过程，训练n_iter，如果尝试了n_iter次都是错误的，则终止训练                """        for _ in range(self.n_iter):            errors=0                """                    1. X:[[1,2,3],[4,5,6]] y:[1,-1]                    2.zip(X,y) = [[1,2,3,1],[4,5,6,-1]]                    3.for中运用权值更新算法                      update=η*(y-y'),η是学习率，y是电信号的向量分类,y'是计算出来的分类                      y'是对应predict所调用出来的结果                """            for xi,target in zip(X,y):                update = self.eta * (target - self.predict(xi))                                    """                        1.xi是向量，update是常量                          update * xi等价于：                          ▽w(1)=X[1]*update,▽w(2)=X[2]*update,▽w(3)=X[3]*update                          self.w[1:] +=等价于：                          把原来的权重分量全部加上增加的分量▽w(1)，▽w(2)，▽w(3)                          self.w[1:]等价于                          是从1开始，忽略0元素,即忽略掉0                          这样就可以更新每一个神经分叉进行更新                    """                self.w[1:] += update * xi                """                更新阈值w0，然后统计判断错误的次数，如果错误次数越来越少，学习效果                    越来越好，对新数据的判断越来越准确                    如果判断正确，则y-y'=0，则target - self.predict(xi)=0                """                self.w_[0] += update;                errors += int(update !=0.0)                self.errors_.append(errors)                 pass                         pass                """                    1.当神经元接受信号的时候会将接受的数据弱化，通过向量的点积运算来进行弱化                    2.np.dot做点积，其中权重向量就是进行弱化的那个向量                    3.z=w0*1+w1*x1+w2*x2+...+xn*wn                    如果z<0则输入的x属于电信号-1                """    def net_input(self,X):                 return np.dot(X,self.w_[1:])+self.w_[0]           pass        def predict(self,X):        return np.where(self.net_input(X) >= 0.0 , 1,-1)        pass    pass

附上不带注释的：

import numpy as npclass Perceptron(object):     def _int_(self, eta = 0.01, n_iter=10):        self.eta=eta;        self.n_iter=n_iter        pass    def fit(self,X,y):        self.w_=np.zero(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)                pass             pass        def net_input(self,X):            return np.dot(X,self.w_[1:])+self.w_[0]            pass        def predict(self,X):            return np.where(self.net_input(X) >= 0.0 , 1,-1)            pass             pass

以上代码是构建神经元的学习基本模型

通过将大量数据给学习模型，让学习模型通过对大量数据进行观察总结出相应规律

根据数据的特点不断的调节神经元的权重数值，当神经元的权重数值调节到合适范围之后，就可以利用训练后的模型

去对新的数据进行运算，通过运算结果就能准确对新的数据进行分类和预测

pandas是python中的提供的非常强大的数据读取类库
header=None是因为csv数据中第一行往往不是一个数据，往往是用来说明下面一些数据的信息的，但代码中file中第一行就是数据，所以设置文件头为None

file = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'import pandas as pddf = pd.read_csv(file,header=None)df.head(10)

运行结果：

关于CSV文件问题：（该段摘自某网友的回答）

file = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
import pandas as pd
df = pd.read_csv(file,header=None)
df.head(10)
1.网址是文件的原地址，数据是可以直接从网址上拔下来的。
2.如果运行以上代码csv的文件，网站只能下载txt需要下载txt后转化成csv。
以上运行结果一致。