原始感知机入门——python3实现，感知入门python3,　　运用最简单的原始

原始感知机入门——python3实现，感知入门python3,　　运用最简单的原始

　　运用最简单的原始（对应的有对偶）感知机算法实现线性分类。

　　参考书目：《统计学习方法》(李航)

　　算法原理：

　　踩到的坑：以为误分类的数据只使用一次，造成分类结果很差，在train函数内加个简单的递归，解决问题；不同的学习率结果差别很大，通过循环学习率取最优解决。

　　AND：个人理解尚浅，理论和代码都未免有差错，欢迎指出错误共同学习，不胜感激。

　　代码如下：win7 32bit + python3.4 + pycharm

import numpy as npfrom matplotlib import pyplot as plt# train matrixdef get_train_data():M1 = np.random.random((100,2))M11 = np.column_stack((M1,np.ones(100)))M2 = np.random.random((100,2)) - 0.7M22 = np.column_stack((M2,np.ones(100)*(-1)))MA = np.vstack((M11,M22))plt.plot(M1[:,0],M1[:,1], ‘ro‘)plt.plot(M2[:,0],M2[:,1], ‘go‘)min_x = np.min(M2)max_x = np.max(M1)# 此处返回 x 是为了之后作图方便x = np.linspace(min_x, max_x, 100)return MA,x# 方便在train函数中识别误分类点def func(w,b,xi,yi):num = yi*(np.dot(w,xi)+b)return num# 训练training datadef train(MA, w, b):# M 存储每次处理后依旧处于误分类的原始数据M = []for sample in MA:xi = sample[0:2]yi = sample[-1]# 如果为误分类，改变w, b# n 为学习率if func(w,b,xi,yi) <= 0:w += n*yi*xib += n*yiM.append(sample)if len(M) > 0:# print(‘迭代...‘)train(M, w, b)return w,b# 作出分类线的图def plot_classify(w,b,x, rate0):y = (w[0]*x+b)/((-1)*w[1])plt.plot(x,y)plt.title(‘Accuracy = ‘+str(rate0))# 随机生成testing data 并作图def get_test_data():M = np.random.random((50,2))plt.plot(M[:,0],M[:,1],‘*y‘)return M# 对传入的testing data 的单个样本进行分类def classify(w,b,test_i):if np.sign(np.dot(w,test_i)+b) == 1:return 1else:return 0# 测试数据，返回正确率def test(w,b,test_data):right_count = 0for test_i in test_data:classx = classify(w,b,test_i)if classx == 1:right_count += 1rate  = right_count/len(test_data)return rateif __name__=="__main__":MA,x= get_train_data()test_data = get_test_data()# 定义初始的w,bw = [0,0]b = 0# 初始化最优的正确率rate0 = 0# 循环不同的学习率n,寻求最优的学习率，即最终的rate0# w0,b0为对应的最优参数for i in np.linspace(0.01,1,100):n = iw,b = train(MA,w,b)# print(w,b)rate = test(w,b,test_data)if rate >= rate0:rate0 = ratew0 = wb0 = bprint(‘Until now, the best result of the accuracy on test data is ‘+str(rate))print(‘with w=‘+str(w0)+‘ b=‘+str(b0))print(‘---------------------------------------------‘)# 在选定最优的学习率后，作图plot_classify(w0,b0,x,rate0)plt.show()

　　输出：

原始感知机入门——python3实现