自适应性神经元（2）——用类对数据进行处理

本文深入探讨了如何利用类来处理自适应性神经元的数据，通过代码实例展示了数据组织和操作的技巧，旨在提高神经网络的性能和适应性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码如下：

#encoding:utf-8
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
from matplotlib.colors import ListedColormap
from adalinegd import AdalineGD
zhfont1=matplotlib.font_manager.FontProperties(fname='C:\Windows\Fonts\simsun.ttc')

file="G:/PycharmProjects/test2/iris.data.csv"
df=pd.read_csv(file,header=None)
#print(df.head(10))
y=df.loc[0:100,4].values
y=np.where(y=='Iris-setosa',-1,1)
X=df.loc[0:100,[0,2]].values


def plot_decision_regions(X,y,classifier,resolution=0.02):
    marker=('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()

    print(x1_min,x1_max)
    print(x2_min,x2_max)

    xx1,xx2=np.meshgrid(np.arange(x1_min,x1_max,resolution),np.arange(x2_min,x2_max,resolution))

    # print(np.arange(x2_min,x2_max,resolution).shape)
    # print(np.arange(x2_min,x2_max,resolution))
    # print(xx2.shape)
    # print(xx2)

    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 ,c1 in enumerate(np.unique(y)):
        plt.scatter(x=X[y==c1, 0],y=X[y==c1, 1],alpha=0.8,c=cmap(idx),
                    marker=marker[idx],label=c1)

ada=AdalineGD(0.0001,50)
ada.fit(X,y)#训练
plot_decision_regions(X,y,classifier=ada)

plt.title('Adaline-Gradient descent')
plt.xlabel('花瓣长度',fontproperties=zhfont1)
plt.ylabel('花径长度',fontproperties=zhfont1)
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()