个回答

• 慕粉3810876

  2017-09-08 21:48:58

  这一节有问题，运行时有错误，解决方法如下：
  
  import numpy as np
  class Perceptron(object):
  
      def __init__(self, eta=0.01, n_iter=10):
          self.eta=eta
          self.n_iter=n_iter
  
      def fit(self, X, y):
          self.w_=np.zeros(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)
          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)
      
  ppn = Perceptron(eta=0.1,n_iter=10)
  ppn.fit(X,y)
  print('Totalnumberofmisclassifications:%dof100'%(y!=ppn.predict(X)))
  plt.plot(range(1,len(ppn.errors_) + 1),ppn.errors_,marker='o')
  plt.xlabel('Epochs')
  plt.ylabel('errorclassifynumber')
  plt.show()
  
  意思就是把这个类和ppn=.... 放在一起，同时，这个类还要改一下，你可以发现我这个类和视频里的有一点点不一样，但没有影响

  0

• 乘龙

  2017-07-27 21:06:00

  # -*-coding: utf-8
  import numpy as np
  class Perceptron(object):
     """
     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 __init__(self,eta=0.01,n_iter=10):
         self.eta=eta
         self.n_iter=n_iter
         pass
     def fit(self,X,y):
         """
         :param X:训练样本，电信号向量;
         X:shape(n_samples,n_features)X中的样本个数，接收电信号的个数
         X:[[1,2,3],[4,5,6]] n_samples:2;n_features:3
         :param y:样本对应的分类
         y:[1,-1]
         zip(X,y)=[[1,2,3,1],[4,5,6,-1]]
         初始化权重向量
         加一是因为将阈值作为w0
         """
         self.w_=np.zeros(1+X.shape[1])
         self.errors_=[]
         for _ in range(self.n_iter):
             errors=0
             for xi,target in zip(X,y):
                 """
                 update = eta*(y-y')
                 xi是一个向量,更新权重
                 """
                 update=self.eta*(target-self.predict(xi))
                 self.w_[1:] += update * xi
                 self.w_[0] += update  # 更新阈值
                 errors+=int(update)
                 self.errors_.append(errors)
                 pass
             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
  
  
  import pandas as pd
  import matplotlib.pyplot as plt
  
  file='/home/bokebi/competition/tianchi_speed_prediction/learn_project/LSTM-Neural-Network-for-Time-Series-Prediction/imoocdata.csv'
  df=pd.read_csv(file,header=None)
  y=df.loc[0:100,4].values
  y=np.where(y=='Iris-setosa',-1,1)
  x=df.loc[0:100,[0,2]].values
  
  from matplotlib.colors import ListedColormap
  def plot_decision_regions(X,y,classifier,resolution=0.02):
     markers=('s','x','o','v')
     colors=('red','blue','lightgreen','gray','cyan')
     cmap=ListedColormap(colors[:len(np.unique(y))])
     pass
  
     x1_min,x1_max=x[:,0].min()-1,x[:,0].max()
     x2_min,x2_max=x[:,1].min()-1,x[:,1].max()
  
     xx1,xx2=np.meshgrid(np.arange(x1_min,x1_max,resolution),np.arange(x2_min,x2_max,resolution))
     classifier.fit(X,y)
     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.xlim(xx2.min(),xx2.max())
     for idx,c1 in enumerate(np.unique(y)):
         plt.scatter(x=X[y==c1,0],y=X[y==c1,1],alpha=0.8,c=cmap(idx),marker=markers[idx],label=c1)
     pass
  
  ppn=Perceptron()
  plot_decision_regions(x,y,ppn,resolution=0.02)
  plt.xlabel('len1')
  plt.ylabel('len2')
  plt.legend(loc='upper left')
  plt.show()

  0