python机器学习——感知器,,最近在看机器学习相关


最近在看机器学习相关的书籍,顺便把每天阅读的部分写出来和大家分享,共同学习探讨一起进步!作为机器学习的第一篇博客,我准备从感知器开始,之后会慢慢更新其他内容。

在实现感知器算法前,我们需要先了解一下神经元(neuron)的工作原理,神经元有很多树突和一个轴突,树突(Dendrites)可以从其他神经元接收信息并将其带到细胞体(Cell nucleus),轴突(Axon)可以从细胞体发送信息到其他神经元。树突传递过来的信息在细胞体中进行计算处理后,如果结果超过某个阈值,轴突会传递信号到其他的神经元。人们通过认识神经元的工作过程,创造出了感知器学习算法。

技术图片

感知器是Frank Rosenblatt在1975年就职于康奈尔实验室时所发明的一种人工神经网络,它被视为一种最简单形式的前馈神经网络,是一种二元线性分类器,不足在于不能处理线性不可分问题。

下图为三种不同情况,左图中的两类可以使用一条直线(即线性函数)分开,即线性可分;中间和右边由于不能使用线性函数分开,则为线性不可分。

技术图片

我们直接来看一个实例,假设我们现在需要对花进行分类,数据集中有两种花朵,分别将其记为1和-1,我们需要根据数据集含有的花的一些特征来进行分类,这里仅使用两种花的特征,即萼片长度和花瓣长度,将这两个特征用向量表示为:

x=[x1x2]x=[x1x2]


x也叫做输入向量,我们再定义一个相应的权重向量w:

w=[w1w2]w=[w1w2]


将x和w线性组合后得到z:

z=w1x1+w2x2z=w1x1+w2x2


我们假设,如果样本的激活值z大于等于事先设置好的阈值b,我们就说此样本属于类别1,否则属于类别-1,公式表示如下:

?(z)=???1,z≥b−1,otherwise?(z)={1,z≥b−1,otherwise


可以看出这个想法和神经元的工作原理很相似。为了方便,我们将阈值b移到等式的左边并额外定义一个权重参数来代替-b,更新z为以下等式:

z=w0x0+w1x1+w2x2z=w0x0+w1x1+w2x2


那么上式中的z大于等于0的情况也就等价于之前当z大于等于阈值b的情况,可以得到:

?(z)=???1,z≥0−1,otherwise?(z)={1,z≥0−1,otherwise


上面的函数也叫做激活函数,我们通过激活函数将z压缩到了一个二元输出(1,-1),也就是:

技术图片

我们可以看出权重向量w决定着分类是否准确,那么我们如何选择合适的权重向量w呢?我们不能一个一个给w赋值,这样工作量太大且没有效率,其实感知器可以通过数据集中的样本自动调整w,随着训练的进行,w的变化趋于平稳,分类的准确率也会大大提高。

我们更新权重向量w的公式为:

wj=wj+Δwjwj=wj+Δwj

Δwj=η(yi−yi^)xijΔwj=η(yi−yi^)xji

η−学习率wj−w向量的第j个特征yi−第i个样本的真实类别yi^−第i个样本的预测类别xij−第i个样本的第j个特征η−学习率wj−w向量的第j个特征yi−第i个样本的真实类别yi^−第i个样本的预测类别xji−第i个样本的第j个特征

其中学习率介于0.0和1.0之间,用于控制w更新的程度,权重向量w中的每一个参数都是同步更新的,即只有在w的每个参数的更新大小都计算出来后才会改变w的值,我们使用数据集中的大量训练样本x来更新w,来逐渐提高分类准确率。

感知器算法只有类别线性可分且学习率较小的情况下才能保证收敛,感知器接收训练样本x,将x与w线性结合得到z,再将z传递给激活函数,产生一个分类结果作为对样本x的预测类别,之后按照更新规则来更新w,等收敛后感知器也就训练完成了。

接下来我们开始实现感知器算法并使用Iris数据集训练:

import pandas as pd

读取数据集

df = pd.read_csv(‘http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data‘, header=None)
df.tail()
01234
1456.73.05.22.3Iris-virginica
1466.32.55.01.9Iris-virginica
1476.53.05.22.0Iris-virginica
1486.23.45.42.3Iris-virginica
1495.93.05.11.8Iris-virginica

由上表可以看到每个输入向量x都包含4个特征(0、1、2、3)和1个正确的类别(4)

%matplotlib inlineimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd

取出前100个训练样本的类别向量,若其类别输入‘Iris-setosa’,则将其设置为-1,否则设置为1

y = df.iloc[0:100, 4].values
y = np.where(y == ‘Iris-setosa‘, -1, 1)

取出前100个训练样本的前两个特征向量

X = df.iloc[0:100, [0, 2]].values

画出这100个训练样本的类别分布图

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.show()

技术图片

实现感知器

import numpy as npclass Perceptron(object):    """Perceptron classifier.    Parameters    ----------    eta:float        Learning rate(between 0.0 and 1.0    n_iter:int        Passes over the training dataset.    Attributes    ----------    w_:1d-array        weights after fitting.    errors_:list        Number of miscalssifications in every epoch.    """    def __init__(self, eta=0.01, n_iter=10):        self.eta = eta        self.n_iter = n_iter    def fit(self, X, y):        """Fit training data.        :param X:{array-like}, shape=[n_samples, n_features]        Training vectors, where n_samples is the number of samples and        n_features is the number of features.        :param y: array-like, shape=[n_samples]        Target values.        :return:        self:object        """        self.w_ = np.zeros(1 + X.shape[1]) # Add w_0        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):        """Calculate net input"""        return np.dot(X, self.w_[1:]) + self.w_[0]    def predict(self, X):        """Return class label after unit step"""        return np.where(self.net_input(X) >= 0.0, 1, -1) #analoge ? :n in C++
ppn = Perceptron(eta = 0.1, n_iter = 10)
ppn.fit(X, y)
<__main__.Perceptron at 0x16680906978>

画出训练曲线

plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker = ‘o‘)plt.xlabel(‘Epoches‘)plt.ylabel(‘Number of misclassifications‘)plt.show()

技术图片

画出分界线

from matplotlib.colors import ListedColormap
def plot_decision_region(X, y, classifier, resolution=0.02):    # setup marker generator and color map    markers = (‘s‘, ‘x‘, ‘o‘, ‘^‘, ‘v‘)    colors = (‘red‘, ‘blue‘, ‘lightgreen‘, ‘gray‘, ‘cyan‘)    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 class samples    for idx, cl in enumerate(np.unique(y)):        plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1],                   alpha=0.8, c=cmap(idx), marker = markers[idx],                   label=cl)
plot_decision_region(X, y, classifier=ppn)plt.xlabel(‘sepal length [cm]‘)plt.ylabel(‘petal length [cm]‘)plt.legend(loc=‘upper left‘)plt.show()

技术图片

参考:

https://www.toutiao.com/a6669391886744027662/
https://zh.wikipedia.org/wiki/%E6%84%9F%E7%9F%A5%E5%99%A8

出处:https://www.cnblogs.com/Dzha/p/11832453.html

python机器学习——感知器

评论关闭