Python 实现简单的感知机算法

感知机

随机生成一些点和一条原始直线，然后用感知机算法来生成一条直线进行分类，比较差别

导入包并设定画图尺寸

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.figsize'] = (8.0,6.0) # 生成图的大小

随机产生数据

fig = plt.figure() # 产生新画布
figa = plt.gca() # 获取当前画布

# 产生100个点
N = 100
xn = np.random.rand(N,2)
x = np.linspace(0,1) # linspace函数可以生成元素为50的等差数列

# 随机生成一条直线
a = np.random.rand()
b = np.random.rand()
f = lambda x:a*x+b

# 线性分割前面产生的点
yn = np.zeros([N,1])
for i in range(N):
    if(f(xn[i,0])>=xn[i,1]):
        yn[i] = 1
        plt.plot(xn[i,0],xn[i,1],'bo',markersize=12) # 'bo':用蓝色圆圈标记
    if(f(xn[i,0])]):
        yn[i] = -1
        plt.plot(xn[i,0],xn[i,1],'go',markersize=12) # 'go':用绿色圆圈标记

超平面的实现

def perceptron(xn,yn,MaxIter=1000,a=0.1,w=np.zeros(3)):
    '''
        实现一个二维感知机
        对于给定的(x,y),感知机将通过迭代寻找最佳的超平面来进行分类
        输入：
            xn:数据点   N*2 向量
            yn:分类结果 N*1 向量
            MaxIter:最大迭代次数(可选参数)
            a:学习率(可选参数)
            w:初始值(可选参数)
        输出:
            w:超平面参数使得 y=ax+b 最好地分割平面
        注意:
            由于初始值为随机选取，因此迭代到收敛可能需要一点时间
            该函数仅为感知机的简单实现，实际需要考虑更多的内容
    '''
    N = xn.shape[0]
    # 生成超平面
    f = lambda x:np.sign(w[0]*1+w[1]*x[0]+w[2]*x[1])
    # 反向传播
    for _ in range(MaxIter):
        i = np.random.randint(N)
        if(yn[i]!=f(xn[i,:])):
            w[0] = w[0] + yn[i]*a*1
            w[1] = w[1] + yn[i]*a*xn[i,0]
            w[2] = w[2] + yn[i]*a*xn[i,1]
    return w

实际应用

w = perceptron(xn,yn)

# 利用权重w,计算 y=ax+b 中的a,b
new_b = -w[0] / w[2]
new_a = -w[1] / w[2]
y = lambda x:new_a*x+new_b

# 分割颜色
sep_color = (yn) / 2.0

plt.figure()
figa = plt.gca()

plt.scatter(xn[:,0],xn[:,1],c=sep_color.flatten(),s=50) # s：表示点的大小
plt.plot(x,y(x),'b--',label='感知机分类结果')
plt.plot(x,f(x),'r',label='原始分类曲线')
plt.legend()
plt.title('原始曲线与感知机分类结果近似比较')
Text(0.5, 1.0, '原始曲线与感知机分类结果近似比较')

 

转载于:https://www.cnblogs.com/ncuhwxiong/p/9836592.html