python实现感知机

1。综述

感知机（perceptron）是而分类的线性分类模型，输入为实例的特征向量，输出为实例的类别，取+1或-1值，即正类或负类。感知机对应于输入空间中的将输入特征分类的超平面，属于判别模型。
利用梯度下降对误分类的损失函数进行最小化，求的感知机模型。
输出空间为：

y={+1,-1}

感知机的从输入到输出的函数：

f(x) = sign(w*x+b)

其中，w,b为感知机的参数，w叫做权值，b称为偏置。
感知机的损失函数的定义为：

$$L(w,b) = \sum y_i(w*x_i+b)$$

感知机学习步骤：
输入：训练数据集

$$T={(x_1,y_1),(x_2,y_2).....(x_N,y_N)}$$
其中， $y_i$={+1,-1},i=1,2……N,学习率(步长) $\eta=(0,1]$
输出：w,b;感知机模型：f(x) = sign(w*x+b)
（1）选取初值 $w_0,b_0$
（2）选取训练集中数据集 $（x_i,y_i）$
（3）如果 $y_i(w*x_i+b)<=0$,则：
$$w=w+\eta y_ix_i$$
$$b=b+\eta y_i$$
（4）继续（2）直到没有误分点。
直观解释：
当一个实例点被误分类时，即位于分离超平面的错误一侧时，调整w,b的值，使其分离超平面向误分类的一侧移动，减少误分点到该平面的距离，直到该点被正确分类。

2。代码

#！／user/bin/env python
#-*- coding:utf-8 -*-
import copy
from matplotlib import pyplot as plt
from matplotlib import animation#绘制动图
training_set=[[[3,3],1],[[4,3],1],[[1,1],-1]]
#初值选择为0
w=[0,0]
b=0
history=[]
#对应于（3）
def update(item):
   # 更新参数，步长为1
   global w,b,history
   w[0]+=1*item[1]*item[0][0]
   w[1]+=1*item[1]*item[0][1]
   b+=1*item[1]
   print(w,b)
   history.append([copy.copy(w),b])

def cal(item):#计算函数值y(w*x+b)
    res=0
    for i in range(len(item[0])):
        res+=item[0][i]*w[i]
    res+=b
    res*=item[1]
    return res
def check():
    #检查是否需要继续更新
    flag=False
    for item in training_set:
        if cal(item)<=0:
            flag=True
            update(item)
    if not flag:
        print("RESULT:w:"+str(w)+"b:"+str(b))
    return flag
if __name__=="__main__":
    for i in range(1000):
        if not check():
            break
#下面是绘图
fig=plt.figure()
ax=plt.axes(xlim=(0,2),ylim=(-2,2))
line,=ax.plot([],[],'g',lw=2)
label=ax.text([],[],'')

def init():
    line.set_data([],[])
    x,y,x_,y_,=[],[],[],[]
    for p in training_set:
        if p[1]>0:
            x.append(p[0][0])
            y.append(p[0][1])
        else:
            x_.append(p[0][0])
            y_.append(p[0][1])
    plt.plot(x,y,'bo',x_,y_,'r^')
    plt.axis([-6,6,-6,6])
    plt.grid()
    plt.xlabel('x1')
    plt.ylabel('x2')
    plt.title('Perception')
    return line,label
def animate(i):
    global history,ax,line,label
    w=history[i][0]
    b=history[i][1]
    if w[1]==0:return line,label
    x1 = -7.0
    y1 = -(b + w[0] * x1) / w[1]
    x2 = 7.0
    y2 = -(b + w[0] * x2) / w[1]
    line.set_data([x1, x2], [y1, y2])
    x1 = 0.0
    y1 = -(b + w[0] * x1) / w[1]
    label.set_text(str(history[i][0]) + ' ' + str(b))
    label.set_position([x1, y1])
    return line, label

anim = animation.FuncAnimation(fig, animate, init_func=init, frames=len(history), interval=1000, repeat=True,blit=True)
#保存为动图需要安装imagemagick模块
anim.save('sin_dot.gif', writer='imagemagick', fps=30)
plt.show()

update过程

最终执行结果

3。sklearn库实现感知机

"""使用sklearn实现感知机"""
from sklearn.datasets import make_classification
x,y = make_classification(n_samples=1000,n_features=2,n_redundant=0,n_informative=1,n_clusters_per_class=1)
#print(x[1,0])
x_data_train = x[:800]#数组切片，开始到800
x_data_test = x[800:]
y_data_train = y[:800]
y_data_test = y[800:]
from sklearn.linear_model import Perceptron
clf = Perceptron(fit_intercept=False,max_iter=30,shuffle=False)
clf.fit(x_data_train,y_data_train)
print(clf.coef_)#w参数
print(clf.intercept_)#b参数，超平面截距
acc = clf.score(x_data_test,y_data_test)#使用测试集进行验证
print(acc)
positive_x1 = [x[i,0] for i in range(1000) if y[i] == 1]
positive_x2 = [x[i,1] for i in range(1000) if y[i] == 1]
negetive_x1 = [x[i,0] for i in range(1000) if y[i] == 0]
negetive_x2 = [x[i,1] for i in range(1000) if y[i] == 0]
from matplotlib import pyplot as plt
import numpy as np
#画出正例和反例的散点图
plt.scatter(positive_x1,positive_x2,c='red')
plt.scatter(negetive_x1,negetive_x2,c='blue')
#画出超平面（在本例中即是一条直线)
line_x = np.arange(-4,4)
#将x1,x2在数标柱表示
line_y = line_x * (-clf.coef_[0][0] / clf.coef_[0][1]) - clf.intercept_
plt.plot(line_x,line_y)
plt.show()

结果：
[[ 0.62410563 3.88740062]]
[ 0.]
0.995

4.参考

https://zhuanlan.zhihu.com/p/27152953
《统计学习方法》