从零开始数据科学与机器学习算法-简单感知器-05

如下图给定的一组数据可以通过一条线分割成两个不同的类别称之为Linearly_Separable

如下图有明显特征但是不能通过线性进行切分称为线性不可分

我们可以在拿到数据后进行基本的判断，然后确定是否使用感知器方法解决（必须是可以Linearly_Separable）

建模思想就是IO与Para优化（调参）

代码一

def predict(row, weights): # 传入想要的数据和权重activation = weights[0]for i in range(len(row)-1):activation += weights[i + 1] * row[i]return 1.0 if activation >= 0.0 else 0.0

# 瞎写的一种二分数据
dataset = [[2.78,2.55,0],[1.47,2.36,0],[1.39,1.85,0],[3.06,3.01,0],[7.63,2.76,0],[5.33,2.09,1],[6.93,1.76,1],[8.76,-0.77,1],[7.66,2.46,1]]
# 瞎写的权重
weights = [-1.23,0.30,-0.35]
# 预测
for row in dataset:prediction = predict(row,weights)print("真实值 : %d ,预测值 %d:" %(row[-1],prediction))

代码二


def predict(row, weights):activation = weights[0]for i in range(len(row) - 1):activation += weights[i + 1] * row[i]return 1.0 if activation >= 0.0 else 0.0def opt_weights(train, learning_rate, how_many_epoch):weights = [0.0 for i in range(len(train[0]))]for epoch in range(how_many_epoch):sum_error = 0.0for row in train:prediction = predict(row, weights)error = row[-1] - predictionsum_error += error ** 2weights[0] = weights[0] + learning_rate * errorfor i in range(len(row) - 1):weights[i + 1] = weights[i + 1] + learning_rate * error * row[i]print('This is epoch: %d, our learning_rate is : %.4f, the error is : %.4f' % (epoch, learning_rate, sum_error))return weightsdataset = [[2.78, 2.55, 0],[1.47, 2.36, 0],[1.39, 1.85, 0],[3.06, 3.01, 0],[7.63, 2.76, 0],[5.33, 2.09, 1],[6.93, 1.76, 1],[8.76, -0.77, 1],[7.66, 2.46, 1]]learning_rate = 0.1how_many_epoch = 200weights = opt_weights(dataset, learning_rate, how_many_epoch)print(weights)

dataset = [[2.78,2.55,0],[1.47,2.36,0],[1.39,1.85,0],[3.06,3.01,0],[7.63,2.76,0],[5.33,2.09,1],[6.93,1.76,1],[8.76,-0.77,1],[7.66,2.46,1]]
# 使用梯度下降获得的权重
weights = [2.0000000000000004, 0.5690000000000017, -2.380999999999984]
# 预测
for row in dataset:prediction = predict(row,weights)print("真实值 : %d ,预测值 %d:" %(row[-1],prediction))

从零开始数据科学与机器学习算法-简单感知器-05相关推荐

从零开始数据科学与机器学习算法-数据预处理与基准模型-01
读取数据函数 from csv import reader # 导入库 def read_csv(the_name_of_file_to_be_read): # 定义数据读取函数file = open ...
从零开始数据科学与机器学习算法-线性回归-02
简单线性回归 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns ...
从零开始数据科学与机器学习算法-人工神经网络与反向传播-09
概述 rectifier其实就是一种模仿生物的激活机制的函数 (activation function) 常见的激活函数 https://en.wikipedia.org/wiki/Rectifier ...
从零开始数据科学与机器学习算法-学习向量量化(Learning_Vector_Quantization)-08
LVQ概述通常,我们使用LVQ方法用在分类问题上. codebook vector(是一系列数字,与你训练数据里的input与output相关的特征一样) 例: 1.class 0,1 2.widt ...
从零开始数据科学与机器学习算法-KNN分类算法-07
KNN概念物以类聚 1.k--超参数(hyper-parameter) 2.k最好为奇数(no even number , better be odd) 3.k大小有学问: k太小:outliers ...
从零开始数据科学与机器学习算法-朴素贝叶斯-07
朴素贝叶斯概念例子:邮件分类问题: N = (12/17)*(5/11)*(3/11) S = (5/17)*(2/7)*(1/7)print(N) print(S) # N>S 我们可以判断 ...
从零开始数据科学与机器学习算法-分类与决策树-06
例:有没有心脏病? -------1胸痛---------2血液循环良好-----------3.动脉阻塞-------------4心脏病(HD) 01.------No-------------- ...
从零开始数据科学与机器学习算法-知识点补充-00
知识拓展-python与统计学 1.Descriptive statistics 描述性统计 2.Inferential statistics 推断性统计:步骤如下: sample样本(sample ...
从零开始数据科学与机器学习算法-集成算法-10
概述把各种model综合起来--让预测更准确.更加稳定(做平均) 在随机森林里面的超参数(hyper-parameter): 1.对于每一棵树,要选取特性(features),假设总共有n个feat ...

从零开始数据科学与机器学习算法-简单感知器-05

如下图给定的一组数据可以通过一条线分割成两个不同的类别称之为Linearly_Separable

如下图有明显特征但是不能通过线性进行切分称为线性不可分

代码一

代码二

从零开始数据科学与机器学习算法-简单感知器-05相关推荐

最新文章

热门文章