3回答

• 

  慕田峪7388993

  2017-10-10 15:45:38

  由于连接方在一段时间内没有正确答复或连接的主机没有反映，连接尝试失败，请问这个连接是失效了嘛？
  

  0 0
• 

  小丸子只有肉没有樱桃

  2017-06-20 17:25:14

  # coding=utf-8
  import numpy as np
  
  #分类器代码
  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):
          """
          输入训练数据，培训神经元
          :param X: 输入样本向量
          :param y: 对应样本分类
          
          X:shape[n_samples, n_features]
          X:[[1,2,3],[4,5,6]]
          n_samples :2
          n_features:3
          
          y:[1,-1]
          """
  
          """
          初始化向量为0
          加一是因为步调函数阈值
          """
          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)
                  self.errors_.append(errors)
                  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
  
  import pandas as pd
  
  file = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
  
  df = pd.read_csv(file,header=None)
  
  
  import matplotlib.pyplot as plt
  
  
  y = df.loc[0:100,4].values
  y=np.where(y=='Iris-setosa',-1,1)
  
  #根据整数位置选取单列或单行数据
  X = df.loc[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('huabanchangdu')
  plt.ylabel('huajingchangdu')
  plt.legend(loc='upper left')
  
  
  ppn =Perceptron(eta=0.1,n_iter=10)
  ppn.fit(X,y)
  
  from matplotlib.colors import ListedColormap
  def plot_decision_region(X,y,classifier,resolution=0.02):
      markers=('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()
      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)
      print (xx1.ravel())
      print(xx2.ravel())
      print Z
      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())
      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,ppn,resolution=0.02)
  plt.xlabel('huajingchang')
  plt.ylabel('huabanchang')
  plt.legend(loc='upper left')
  plt.show()

  
  

  0 3
• 

  小丸子只有肉没有樱桃

  2017-06-20 17:23:58

  # coding=utf-8
  import numpy as np
  import matplotlib.pyplot as plt
  #ada代码
  class AdalineGd(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_：
      一维向量
      存储每次迭代改进时，神经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 fit(self,X,y):
          '''
          
          :param X: 二维数组[n_samples, n_features]
          n_samples 表示X中含有训练数据条目数
          n_features含有4个数据的一维向量，用于表示一条训练条目
          :param y: 一维向量
          用于存储每一训练条目对应的正确分类
          :return: 
          '''
          self.w_ =np.zeros(1+X.shape[1])#权重初始化为零
          self.cost_ =[]
  
          for i in range(self.n_iter):
              output = self.net_input(X)
              errors = (y - output)#向量
              self.w_[1:]+=self.eta *X.T.dot(errors)
              self.w_[0] +=self.eta *errors.sum()
              cost  =(errors **2).sum()/2
              self.cost_.append(cost)
          return self
  
  
      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)
  
  
  import pandas as pd
  
  file = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
  
  df = pd.read_csv(file,header=None)
  y = df.loc[0:100,4].values
  y=np.where(y=='Iris-setosa',-1,1)
  #根据整数位置选取单列或单行数据
  X = df.loc[0:100,[0,2]].values
  
  from matplotlib.colors import ListedColormap
  def plot_decision_region(X,y,classifier,resolution=0.02):
      markers=('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()
      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)
      print (xx1.ravel())
      print(xx2.ravel())
      print Z
      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())
      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)
  
  ada = AdalineGd(eta=0.0001,n_iter=100)
  ada.fit(X,y)
  plot_decision_region(X,y,classifier=ada)
  plt.xlabel('huajingchang')
  plt.ylabel('huabanchang')
  plt.legend(loc='upper left')
  plt.show()
  
  
  plt.plot(range(1,len(ada.cost_)+1),ada.cost_,marker ='o')
  plt.xlabel('epochs')
  plt.ylabel('sum-squard-error')
  plt.show()

  
  

  0 2