DL之Perceptron&AdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类

基于iris莺尾花数据集利用Perceptron感知机算法实现二分类

设计思路

输出结果

核心代码

相关文章
DL之Perceptron&AdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类
DL之Perceptron&AdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类实现

基于iris莺尾花数据集利用Perceptron感知机算法实现二分类

设计思路

输出结果

<bound method DataFrame.info of      SepalLength_cm  SepalWidth_cm  ...  PetalWidth_cm           label
0               5.1            3.5  ...            0.2     Iris-setosa
1               4.9            3.0  ...            0.2     Iris-setosa
2               4.7            3.2  ...            0.2     Iris-setosa
3               4.6            3.1  ...            0.2     Iris-setosa
4               5.0            3.6  ...            0.2     Iris-setosa
..              ...            ...  ...            ...             ...
145             6.7            3.0  ...            2.3  Iris-virginica
146             6.3            2.5  ...            1.9  Iris-virginica
147             6.5            3.0  ...            2.0  Iris-virginica
148             6.2            3.4  ...            2.3  Iris-virginica
149             5.9            3.0  ...            1.8  Iris-virginica[150 rows x 5 columns]>SepalLength_cm  SepalWidth_cm  ...  PetalWidth_cm            label
0             5.0            3.5  ...            0.3      Iris-setosa
1             6.3            2.5  ...            1.9   Iris-virginica
2             4.4            3.0  ...            0.2      Iris-setosa
3             5.7            2.8  ...            1.3  Iris-versicolor
4             6.8            3.2  ...            2.3   Iris-virginica[5 rows x 5 columns]
Iris-setosa        50
Iris-versicolor    50
Iris-virginica     50
Name: label, dtype: int64
(150, 2)
[5, 0, 0, 0, 0, 0, 0, 0, 0, 0]
CE_res (37, 0, 0, 0)
recall   precision   accurency
1.0 1.0 1.0

核心代码

class Perceptron(object):def __init__(self, rate = 0.01, niter = 10):self.rate = rateself.niter = niterdef fit(self, X, y):self.weight = np.zeros(1 + X.shape[1])self.errors = []  # Number of misclassificationsfor i in range(self.niter):err = 0for xi, target in zip(X, y):delta_w= self.rate * (target-self.predict(xi))self.weight[1:] += delta_w * xiself.weight[0] += delta_werr += int(delta_w != 0.0)self.errors.append(err)return selfdef net_input(self, X):return np.dot(X, self.weight[1:]) + self.weight[0]def predict(self, X):return np.where(self.net_input(X) >= 0.0, 1, -1)

DL之PerceptronAdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类相关推荐

ML之kNNC：基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测daiding
ML之kNNC:基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测目录基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测设计思路 ...
ML之kNNC：基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测
ML之kNNC:基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测目录基于iris莺尾花数据集(PCA处理+三维散点图可视化)利用kNN算法实现分类预测设计思路 ...
ML之KG：基于MovieLens电影评分数据集利用基于知识图谱的推荐算法(networkx+基于路径相似度的方法)实现对用户进行Top电影推荐案例
ML之KG:基于MovieLens电影评分数据集利用基于知识图谱的推荐算法(networkx+基于路径相似度的方法)实现对用户进行Top电影推荐案例目录基于MovieLens电影评分数据集利用基于 ...
莺尾花数据集--kNN分类
Step1: 库函数导入 import numpy as np # 加载莺尾花数据集 from sklearn import datasets # 导入KNN分类器 from sklearn.neig ...
k-近邻（应用sklearn的莺尾花数据集）
kNN 的作用机制为在目标周围选取最近k个点,这k个点哪种占比最大,就可以把这个目标分类到那个分类,即有分到相似属性多的类别. 该算法和回归,决策树不同之处是,回归和决策树是通过训练集确定参数,参 ...
KNN实战莺尾花数据集
0 前言俗话说,实践才能出真理,能动手就不要逼逼,下面将利用莺尾花数据集实战KNN算法. 1 实战概述首先,要介绍一下这个实战的整体思路:要做什么.怎么做!第一步,我们应该拿到数据集,了解数据集信 ...
SVM训练莺尾花数据集
SVM训练莺尾花数据集代码在莺尾花数据集上训练SVM,数据集由莺尾花的测量值及其相应的物种标签组成.该模型使用70%数据用于训练,然后剩余部分进行测试.其中′fit′'fit'′fit′方法在训练集 ...
莺尾花数据集–贝叶斯分类(day5)
莺尾花数据集–贝叶斯分类 Step1: 库函数导入 import warnings warnings.filterwarnings('ignore') #忽略了警告错误的输出 import numpy ...
ML：基于自定义数据集利用Logistic、梯度下降算法GD、LoR逻辑回归、Perceptron感知器、SVM支持向量机、LDA线性判别分析算法进行二分类预测(决策边界可视化)
ML:基于自定义数据集利用Logistic.梯度下降算法GD.LoR逻辑回归.Perceptron感知器.支持向量机(SVM_Linear.SVM_Rbf).LDA线性判别分析算法进行二分类预测(决策 ...

DL之PerceptronAdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类

基于iris莺尾花数据集利用Perceptron感知机算法实现二分类

设计思路

输出结果

核心代码

DL之PerceptronAdalineGD：基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类相关推荐

最新文章

热门文章