|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
|
from sklearn.linear_model import Perceptronimport argparse #一个好用的参数传递模型import numpy as npfrom sklearn.datasets import load_iris #数据集from sklearn.model_selection import train_test_split #训练集和测试集分割from loguru import logger #日志输出，不清楚用法#python is also oop class PerceptronToby(): """ n_epoch:迭代次数 learning_rate:学习率 loss_tolerance:损失阈值，即损失函数达到极小值的变化量 """ def __init__(self, n_epoch = 500, learning_rate = 0.1, loss_tolerance = 0.01): self._n_epoch = n_epoch self._lr = learning_rate self._loss_tolerance = loss_tolerance """训练模型，即找到每个数据最合适的权重以得到最小的损失函数""" def fit(self, X, y): # X:训练集，即数据集，每一行是样本，每一列是数据或标签,一样本包括一数据和一标签 # y：标签，即1或-1 n_sample, n_feature = X.shape #剥离矩阵的方法真帅 #均匀初始化参数 rnd_val = 1/np.sqrt(n_feature) rng = np.random.default_rng() self._w = rng.uniform(-rnd_val,rnd_val,size = n_feature) #偏置初始化为0 self._b = 0 #开始训练了，迭代n_epoch次 num_epoch = 0 #记录迭代次数 prev_loss = 0 #前损失值 while True: curr_loss = 0 #现在损失值 wrong_classify = 0 #误分类样本 #一次迭代对每个样本操作一次 for i in range(n_sample): #输出函数 y_pred = np.dot(self._w,X[i]) + self._b #损失函数 curr_loss += -y[i] * y_pred # 感知机只对误分类样本进行参数更新，使用梯度下降法 if y[i] * y_pred <= 0: self._w += self._lr * y[i] * X[i] self._b += self._lr * y[i] wrong_classify += 1 num_epoch += 1 loss_diff = curr_loss - prev_loss prev_loss = curr_loss # 训练终止条件： # 1. 训练epoch数达到指定的epoch数时停止训练 # 2. 本epoch损失与上一个epoch损失差异小于指定的阈值时停止训练 # 3. 训练过程中不再存在误分类点时停止训练 if num_epoch >= self._n_epoch or abs(loss_diff) < self._loss_tolerance or wrong_classify == 0: break """预测模型，顾名思义""" def predict(self, x): """给定输入样本，预测其类别""" y_pred = np.dot(self._w, x) + self._b return 1 if y_pred >= 0 else -1#主函数def main(): #参数数组生成 parser = argparse.ArgumentParser(description="感知机算法实现命令行参数") parser.add_argument("--nepoch", type=int, default=500, help="训练多少个epoch后终止训练") parser.add_argument("--lr", type=float, default=0.1, help="学习率") parser.add_argument("--loss_tolerance", type=float, default=0.001, help="当前损失与上一个epoch损失之差的绝对值小于该值时终止训练") args = parser.parse_args() #导入数据 X, y = load_iris(return_X_y=True) # print(y) y[:50] = -1 # 分割数据 xtrain, xtest, ytrain, ytest = train_test_split(X[:100], y[:100], train_size=0.8, shuffle=True) # print(xtest) #调用并训练模型 model = PerceptronToby(args.nepoch, args.lr, args.loss_tolerance) model.fit(xtrain, ytrain) n_test = xtest.shape[0] # print(n_test) n_right = 0 for i in range(n_test): y_pred = model.predict(xtest[i]) if y_pred == ytest[i]: n_right += 1 else: logger.info("该样本真实标签为：{}，但是toby模型预测标签为：{}".format(ytest[i], y_pred)) logger.info("toby模型在测试集上的准确率为：{}%".format(n_right * 100 / n_test)) skmodel = Perceptron(max_iter=args.nepoch) skmodel.fit(xtrain, ytrain) logger.info("sklearn模型在测试集上准确率为：{}%".format(100 * skmodel.score(xtest, ytest)))if __name__ == "__main__": main()``` |
以上就是python实现感知机模型的示例的详细内容，更多关于python 实现感知机模型的示例代码的资料请关注服务器之家其它相关文章！
原文链接：https://www.cnblogs.com/xiaolongdejia/p/13712742.html
