统计学习方法——感知机（二）

最新推荐文章于 2023-11-30 09:18:10 发布

你的名字5686

最新推荐文章于 2023-11-30 09:18:10 发布

阅读量646

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/wk19951125/article/details/88548248

本文通过鸢尾花数据集演示了感知机的实现过程，使用Python 3编写代码，包括数据预处理、感知机接口设计、算法收敛性展示及超平面绘制，展示了感知机在二分类问题上的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

统计学习方法——感知机

感知机

感知机

在前面介绍了感知机的相关感念以及理论依据，在这里我们以一个实例来看一下感知机的实现过程（python 3）。

数据来源

这里使用经典的鸢尾花Iris数据集作为数据集，由于针对的是二分类问题，因此我们区分Setosa和Versicolor两种。【当然可以将其扩展为多分类问题】
数据来源：https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data
数据相关的介绍请看：https://baike.baidu.com/item/IRIS/4061453

数据示例

数据集

实现感知机模型

引入相关模块

import pandas as pd                                    #引入pandas用于读取数据
import matplotlib.pyplot as plt                        #引入matplotlib用于画图
from matplotlib.colors import ListedColormap
import numpy as np                                     #引入numpy用于处理数据

获取并查看数据

df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data',header=None)    #获取数据
df.head()     #显示其中的前五条看看数据样式

显示数据总体样式
我们这里只考虑Setosa和Versicolor两种类型的样本，因此只关注数据的100条。我们将其中Versicolor对应的样本标记为1，Setosa的样本则标记为-1。特征则选用sepal length和petal length两个维度。【考虑到感知机的要求，查看数据是否线性可分，如显然不可分则不适用感知机。】

y=df.iloc[0:100,4].values         #获取前一百个样本的标签,函数iloc是按行取的意思
y=np.where(y=='Iris-setosa',-1,1)    #对标签进行重新整理：setosa（-1），versicolor（1）
X=df.iloc[0:100,[0,2]].values     #取每个样本的第一列（Sepal length）和第三列（petal length）作为特征
####对数据进行图形化显示
plt.scatter(X[:50,0],X[:50,1],color = 'red',marker='o',label='setosa')
plt.scatter(X[50