个回答

• 攻城狮ZSP

  2017-05-18 22:55:23

  已采纳

  import numpy as np
  
  class Perceptron(object):
      def __init__(self, eta=0.01, n_iter=10):
          self.eta=eta
          self.n_iter=n_iter
          
          pass
      def fit(self,X,y):
          self.W=np.zeros(1+X.shape[1])
          self.errors=[]
          for _ in range(self.n_iter):
              error=0
              dw=np.zeros(1+X.shape[1])
              for xi,target in zip(X,y):                
                  update=self.eta*(target-self.predict(xi))
                  dw[1:]+=update*xi
                  dw[0]+=update
                  error+=int(update!=0)
                  pass
              self.W+=dw
              self.errors.append(error)
              
              pass
          
          pass
      def net_input(self,xi):
          return np.dot(self.W[1:],xi)+self.W[0]
      def predict(self,xi):
          return np.where(self.net_input(xi)>0,1,-1)
      
         
          pass
  
  #文件读取
  file="D:/python/nn/data.csv"
  import pandas as pd
  df=pd.read_csv(file,header=None)
  df.head(10)		
  
  #显示原始数据
  import matplotlib.pyplot as plt
  import numpy as np
  
  y=df.loc[0:99,4].values
  y=np.where(y=='Iris-setosa',-1,1)
  X=df.iloc[0:100,[0,2]].values
  
  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(u'花瓣长度')
  plt.ylabel(u'花径长度')
  plt.legend(loc='upper left')
  #plt.show()
  
  #训练并打印错误曲线
  ppn=Perceptron(0.1,20)
  ppn.fit(X,y)
  print (ppn.W)
  plt.scatter(range(1,len(ppn.errors)+1),ppn.errors,color='red',marker='o')
  
  #plt.show()
  
  #定义打印分类器边界函数
  from matplotlib.colors import ListedColormap
  def plot_decision_regions(X,y,classifier,resolution=0.02):
      markers=('s','x','o','v')
      colors=('lightgreen','gray','cyan','red','blue')
      cmap=ListedColormap(colors[:len(np.unique(y))])
      
      x1_min,x1_max=X[:,0].min()-1,X[:,0].max()
      x2_min,x2_max=X[:,1].min()-1,X[:,1].max()
      
      print(x1_min,x1_max)
      print(x2_min,x2_max)
      
      xx1,xx2=np.meshgrid(np.arange(x1_min,x1_max,resolution),
                        np.arange(x2_min,x2_max,resolution) )
      #print(xx2.shape)
      #print(xx2)
      
      z=classifier.predict(np.array([xx1.ravel(),xx2.ravel()]))
      #print(xx1.ravel())
      #print(xx2.ravel())
      #print(z)
      z=z.reshape(xx1.shape)
      plt.contourf(xx1,xx2,z,alpha=0.8,cmap=cmap)
      plt.xlim(xx1.min(),xx1.max())
      plt.ylim(xx2.min(),xx2.max())
      
      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)
  
  #打印边界及原始数据		
  plot_decision_regions(X,y,ppn)
  plt.xlabel(u'花瓣长度')
  plt.ylabel(u'花径长度')
  plt.legend(loc='upper left')
  plt.show()

  给你，每个模块自己复制分开下

  0

• 只是疯狂只是野

  2017-05-21 18:16:41

  for _ in range(self.n_iter):

              error=0

              dw=np.zeros(1+X.shape[1])

              for xi,target in zip(X,y):                

                  update=self.eta*(target-self.predict(xi))

                  dw[1:]+=update*xi

                  dw[0]+=update

                  error+=int(update!=0)

                  pass

              self.W+=dw

              self.errors.append(error)

  这段代码中，在进行10次迭代的过程中，每次迭代的时候都把权重重新置为 0 。

  我觉得有点问题。（下划线部分）

  如果每次迭代都 从新 将权重置为0，那么每次迭代都是一样的，是没有意义的。

  如果每次迭代后 权重 被带到下一次循环中，那么在经过10次迭代后得到的权重会更加的准确。

  
  

  1