个回答

• 罗好好ed

  2018-08-12 20:54:36

  调用sklearn包中datasets，里面有好像iris数据集

  1

• 慕的地591

  2018-07-13 16:47:01

  iris数据集，可以到我的百度网盘下载：
  

  https://pan.baidu.com/s/17dK9fdGHzGY1SfI-s1pt6w

  0

• 慕的地591

  2018-07-13 16:39:50

  class AdalineG(object):    
      """    
      eta:float    
      学习效率，处于0和1之间        
      n_iter:int    对训练数据进行学习改进次数        
      w_:一维向量    
      存储权重数值        
      error_:    存储每次迭代改进时，网络对数据进行错误判断的次数    
      """            
      def __init__(self,eta=0.01,n_iter=50):        
          self.eta = eta        
          self.n_iter = n_iter            
      def net_input(self, X):        
          return np.dot(X, self.w_[1:]) + self.w_[0]        
      def activation(self, X):        
          return self.net_input(X)       
      def predict(self, X):        
          return np.where(self.activation(X) >=0, 1, -1)        
      def fit(self, X, y):        
          """        
          X:二维数组[n_sampls, n_features]        
          n_samples 表示X中含有训练数据条目数        
          n_faetures 含有4个数据的一维向量，用于表示一条训练条目                
          y:一维向量        
          用于存储每一训练条目对应的正确分类        
          """                
          self.w_ = np.zeros(1 + X.shape[1])        
          self.cost_ = []                
          for i in range(self.n_iter):            
              output = self.net_input(X)            
              errors = (y-output)            
              self.w_[1:] += self.eta * X.T.dot(errors)            
              self.w_[0] += self.eta * errors.sum()            
              cost = (errors ** 2).sum() /2.0            
              self.cost_.append(cost)        
          return self
          
          
  file = "D:/PyCharm_test_file/Jupyter_test/iris1.xlsx" #此处添加iris数据集
  import pandas as pd
  df = pd.read_excel(file,header=None)
  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
  
  
  from matplotlib.colors import ListedColormap
  def plot_decision_regions(X, y, classifier, resolution=0.02):    
      marker = ('s', 'x', 'o', 'v')    
      colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')    
      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()    
      #将x1、x2最大最小值通过arange函数得到的向量，扩展成两个二维矩阵    
      xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))    
      #预测    
      Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T) #ravel还原成单维向量    
      #绘制    
      Z= Z.reshape(xx1.shape) #将Z转换成与xx1一样的二维数组    
      plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap) #在两组分类结果中间画分割线-->必须线性可分    
      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=marker[idx], label=cl)
          
          
          
  ada = AdalineG(eta=0.0001, n_iter=50)
  ada.fit(X, y)
  plot_decision_regions(X, y, classifier=ada)
  plt.title('Adaline-Gradient descent')
  plt.rcParams['font.sans-serif']=['SimHei']
  plt.xlabel('花茎长度')
  plt.ylabel('花瓣长度')
  plt.legend(loc='upper left')
  plt.show()
  """
  打印出模型对数据判断的错误次数（迭代过程）
  """
  plt.plot(range(1, len(ada.cost_)+1), ada.cost_, marker='o')
  plt.xlabel('Epochs（迭代次数）')
  plt.ylabel('sum-squard-error')plt.show()

  
  

  

  
  

  0