import numpy as npfrom matplotlib import  pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from sklearn.neural_network import MLPClassifierdef creat_data(n):'''创建线性可分数据集:param n: 正例样本的个数（同时也是负例样本的个数）:return: 返回一个线性可分数据集，数据集大小为 2*n'''np.random.seed(1)x_11=np.random.randint(0,100,(n,1)) # 第一组：第一维坐标值x_12=np.random.randint(0,100,(n,1,))# 第一组：第二维坐标值x_13=20+np.random.randint(0,10,(n,1,))#第一组： 第三维坐标值x_21=np.random.randint(0,100,(n,1)) # 第二组：第一维坐标值x_22=np.random.randint(0,100,(n,1)) # 第二组：第二维坐标值x_23=10-np.random.randint(0,10,(n,1,)) # 第二组：第三维坐标值
new_x_12=x_12*np.sqrt(2)/2-x_13*np.sqrt(2)/2## 沿第一维轴旋转45度new_x_13=x_12*np.sqrt(2)/2+x_13*np.sqrt(2)/2## 沿第一维轴旋转45度new_x_22=x_22*np.sqrt(2)/2-x_23*np.sqrt(2)/2## 沿第一维轴旋转45度new_x_23=x_22*np.sqrt(2)/2+x_23*np.sqrt(2)/2## 沿第一维轴旋转45度
plus_samples=np.hstack([x_11,new_x_12,new_x_13,np.ones((n,1))]) # 拼接成正例数据集minus_samples=np.hstack([x_21,new_x_22,new_x_23,-np.ones((n,1))]) # 拼接成负例数据集samples=np.vstack([plus_samples,minus_samples]) # 拼接成完整数据集np.random.shuffle(samples)  # 混洗数据return samplesdef creat_data_no_linear(n):'''创建线性不可分数据集:param n: 正例样本的个数（同时也是负例样本的个数）:return: 返回一个线性不可分数据集，数据集大小为 2*n'''np.random.seed(1)x_11=np.random.randint(0,100,(n,1))# 第一组：第一维坐标值x_12=np.random.randint(0,100,(n,1,))# 第一组：第二维坐标值x_13=10+np.random.randint(0,10,(n,1,))#第一组： 第三维坐标值x_21=np.random.randint(0,100,(n,1))# 第二组：第一维坐标值x_22=np.random.randint(0,100,(n,1))# 第二组：第二维坐标值x_23=20-np.random.randint(0,10,(n,1,)) # 第二组：第三维坐标值
new_x_12=x_12*np.sqrt(2)/2-x_13*np.sqrt(2)/2## 沿第一维轴旋转45度new_x_13=x_12*np.sqrt(2)/2+x_13*np.sqrt(2)/2## 沿第一维轴旋转45度new_x_22=x_22*np.sqrt(2)/2-x_23*np.sqrt(2)/2## 沿第一维轴旋转45度new_x_23=x_22*np.sqrt(2)/2+x_23*np.sqrt(2)/2## 沿第一维轴旋转45度
plus_samples=np.hstack([x_11,new_x_12,new_x_13,np.ones((n,1))])# 拼接成正例数据集minus_samples=np.hstack([x_21,new_x_22,new_x_23,-np.ones((n,1))])# 拼接成负例数据集samples=np.vstack([plus_samples,minus_samples])# 拼接成完整数据集np.random.shuffle(samples)  # 混洗数据return samplesdef plot_samples(ax,samples):'''绘制样本点:param ax: 绘制图形所在的 Axes:param samples: 样本数据集:return: None'''Y=samples[:,-1] # 标记信息position_p=Y==1 ## 正类位置position_m=Y==-1 ## 负类位置# 绘制正类样本点ax.scatter(samples[position_p,0],samples[position_p,1],samples[position_p,2],marker='+',label='+',color='b') # 绘制负类样本点ax.scatter(samples[position_m,0],samples[position_m,1],samples[position_m,2],marker='^',label='-',color='y') 

def run_plot_samples():'''绘制线性可分数据集:return: None'''fig=plt.figure()ax=Axes3D(fig)data=creat_data(100) # 产生线性可分数据集
    plot_samples(ax,data)ax.legend(loc='best')plt.show()run_plot_samples()

def run_plot_samples_no_linear():'''绘制线性不可分数据集:return: None'''data=creat_data_no_linear(100)# 产生线性不可分数据集fig=plt.figure()ax=Axes3D(fig)plot_samples(ax,data)ax.legend(loc='best')plt.show()run_plot_samples_no_linear()

def perceptron(train_data,eta,w_0,b_0):'''感知机的原始算法:param train_data: 训练数据集:param eta: 学习率:param w_0: 初始权重向量:param b_0: 初始的 b:return: 一个元组，依次为：最终的权重向量，最终的 b 值，迭代次数'''x=train_data[:,:-1]  # x 数据y=train_data[:,-1]  #  对应的标记length= train_data.shape[0] #样本集大小w=w_0b=b_0step_num=0while True:i=0while(i< length): ## 遍历一轮样本集中的所有的样本点step_num+=1'''当应用于线性不可分数据集时，用下面4行代替上面的 step_num+=1 这一行。如果不这么做，那么当用于线性不可分数据集时，迭代永远不会停止。step_num+=1if step_num>=10000000:print("failed!,step_num =%d"%step_num)return'''x_i=x[i].reshape((x.shape[1],1)) # 变成列向量，因为需要执行 np.dot 函数y_i=y[i]if y_i*(np.dot(np.transpose(w),x_i)+b) <=0: # 该点是误分类点w=w+eta*y_i*x_i  # 梯度下降b=b+eta*y_i      # 梯度下降break # 执行下一轮筛选else:#该点不是误分类点，选取下一个样本点i=i+1if(i== length): #没有误分类点，结束循环breakreturn (w,b,step_num)def creat_hyperplane(x,y,w,b):'''创建分离超平面:param x: 分离超平面上的点的x坐标组成的数组:param y: 分离超平面上的点的y坐标组成的数组:param w: 超平面的法向量，它是一个列向量:param b: 超平面的截距:return: 分离超平面上的点的z坐标组成的数组'''return (-w[0][0]*x-w[1][0]*y-b)/w[2][0] # w0*x+w1*y+w2*z+b=0

def run_perceptron():'''对线性可分数据集执行感知机的原始算法并绘制分离超平面'''data=creat_data(100) #产生线性可分数据集eta,w_0,b_0=0.1,np.ones((3,1),dtype=float),1 # 初始化 学习率、权重、 bw,b,num=perceptron(data,eta,w_0,b_0) # 执行感知机的原始形式### 绘图fig=plt.figure()plt.suptitle("perceptron")ax=Axes3D(fig)### 绘制样本点
    plot_samples(ax,data)##  绘制分离超平面x=np.linspace(-30,100,100)  # 分离超平面的 x坐标数组y=np.linspace(-30,100,100) # 分离超平面的 y坐标数组x,y=np.meshgrid(x,y) # 划分网格z=creat_hyperplane(x,y,w,b)  # 分离超平面的 z坐标数组ax.plot_surface(x, y, z, rstride=1, cstride=1,color='g',alpha=0.2)ax.legend(loc="best")plt.show()run_perceptron()

def perceptron_nolinear(train_data,eta,w_0,b_0):'''感知机的原始算法:param train_data: 训练数据集:param eta: 学习率:param w_0: 初始权重向量:param b_0: 初始的 b:return: 一个元组，依次为：最终的权重向量，最终的 b 值，迭代次数'''x=train_data[:,:-1]  # x 数据y=train_data[:,-1]  #  对应的标记length= train_data.shape[0] #样本集大小w=w_0b=b_0step_num=0while True:i=0while(i< length): ## 遍历一轮样本集中的所有的样本点step_num+=1if step_num>=10000000:print("failed!,step_num =%d"%step_num)returnx_i=x[i].reshape((x.shape[1],1)) # 变成列向量，因为需要执行 np.dot 函数y_i=y[i]if y_i*(np.dot(np.transpose(w),x_i)+b) <=0: # 该点是误分类点w=w+eta*y_i*x_i  # 梯度下降b=b+eta*y_i      # 梯度下降break # 执行下一轮筛选else:#该点不是误分类点，选取下一个样本点i=i+1if(i== length): #没有误分类点，结束循环breakreturn (w,b,step_num)def creat_hyperplane(x,y,w,b):'''创建分离超平面:param x: 分离超平面上的点的x坐标组成的数组:param y: 分离超平面上的点的y坐标组成的数组:param w: 超平面的法向量，它是一个列向量:param b: 超平面的截距:return: 分离超平面上的点的z坐标组成的数组'''return (-w[0][0]*x-w[1][0]*y-b)/w[2][0] # w0*x+w1*y+w2*z+b=0

def run_perceptron_no_linear():'''对线性不可分数据集执行感知机的元素算法'''data=creat_data_no_linear(100)#产生线性不可分数据集perceptron_nolinear(data,eta=0.1,w_0=np.zeros((3,1)),b_0=0)run_perceptron_no_linear()

def creat_w(train_data,alpha):'''根据训练数据集和 alpha向量 创建 权重向量:param train_data: 训练数据集:param alpha: alpha 向量:return: 权重向量'''x=train_data[:,:-1]  # x 数据y=train_data[:,-1]  #  对应的分类N= train_data.shape[0] #样本集大小w=np.zeros((x.shape[1],1))for i in range(0,N):w=w+alpha[i][0]*y[i]*(x[i].reshape(x[i].size,1))return w

def perceptron_dual(train_data,eta,alpha_0,b_0):'''感知机的对偶形式算法:param train_data: 训练数据集:param eta: 学习率:param alpha_0: 初始的 alpha 向量:param b_0: 初始的 b 值:return: 一个元组，依次为：最终的alpha 向量、最终的 b 值、迭代次数'''x=train_data[:,:-1]  # x 数据y=train_data[:,-1]  #  对应的分类length= train_data.shape[0] #样本集大小alpha=alpha_0b=b_0step_num=0while True:i=0while(i< length):step_num+=1x_i=x[i].reshape((x.shape[1],1)) # 变形为列向量，因为需要调用 np.doty_i=y[i]w=creat_w(train_data,alpha)z=y_i*(np.dot(np.transpose(w),x_i)+b)if z <=0: # 该点是误分类点alpha[i][0]+=eta  # 梯度下降b+=eta*y_i  # 梯度下降break # 梯度下降了，从头开始，执行下一轮筛选else:i=i+1 #该点不是误分类点，选取下一个样本点if(i== length ): #没有误分类点，结束循环breakreturn (alpha,b,step_num)def run_perceptron_dual():'''对线性可分数据集执行感知机的原始算法和对偶形式算法，并绘制分离超平面'''data=creat_data(100)eta,w_0,b_0=0.1,np.ones((3,1),dtype=float),1w_1,b_1,num_1=perceptron(data,eta,w_0,b_0) ##执行原始形式的算法alpha,b_2,num_2=perceptron_dual(data,eta=0.1,alpha_0=np.zeros((data.shape[0]*2,1)),b_0=0) # 执行对偶形式的算法w_2=creat_w(data,alpha)print("w_1,b_1",w_1,b_1)print("w_2,b_2",w_2,b_2)## 绘图fig=plt.figure()plt.suptitle("perceptron")ax=Axes3D(fig)### 绘制样本点
    plot_samples(ax,data)##  绘制分离超平面x=np.linspace(-30,100,100)  # 分离超平面的 x坐标数组y=np.linspace(-30,100,100) # 分离超平面的 y坐标数组x,y=np.meshgrid(x,y) # 划分网格z=creat_hyperplane(x,y,w_1,b_1)  # 原始形式算法的分离超平面的 z坐标数组z_2=creat_hyperplane(x,y,w_2,b_2)  # 对偶形式算法的分离超平面的 z坐标数组ax.plot_surface(x, y, z, rstride=1, cstride=1,color='g',alpha=0.2)ax.plot_surface(x, y, z_2, rstride=1, cstride=1,color='c',alpha=0.2)ax.legend(loc="best")plt.show()run_perceptron_dual()

def test_eta(data,ax,etas,w_0,alpha_0,b_0):'''测试学习率对于感知机两种形式算法的收敛速度的影响:param data:  训练数据集:param ax: Axes实例，负责绘制图形:param etas: 候选的学习率的值组成的列表:param w_0: 原始算法用到的初始权重向量:param alpha_0: 对偶形式用到的初始 alpha 向量:param b_0: 初始 b 值:return: None'''nums1=[]nums2=[]for eta in etas:_,_,num_1=perceptron(data,eta,w_0=w_0,b_0=b_0) # 获取原始形式算法的迭代次数_,_,num_2=perceptron_dual(data,eta=0.1,alpha_0=alpha_0,b_0=b_0) # 获取对偶形式算法的迭代次数
        nums1.append(num_1)nums2.append(num_2)ax.plot(etas,np.array(nums1),label='orignal iteraton times')ax.plot(etas,np.array(nums2),label='dual iteraton times')def run_test_eta():fig=plt.figure()fig.suptitle("perceptron")ax=fig.add_subplot(1,1,1)ax.set_xlabel(r'$\eta$')data=creat_data(20) # 创建线性可分数据集etas=np.linspace(0.01,1,num=25,endpoint=False)w_0,b_0,alpha_0=np.ones((3,1)),0,np.zeros((data.shape[0],1))test_eta(data,ax,etas,w_0,alpha_0,b_0)ax.legend(loc="best",framealpha=0.5)plt.show()run_test_eta()