笔记一python代码

import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt

df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)
y = df.iloc[0:100, 4].values
y = np.where(y=='Iris-setosa',1,-1)
x = df.iloc[0:100, [0,2]].values

class Perceptron():
    def __init__(self, eta, X, Y, N):
        self.eta = eta
        self.X = X
        self.Y = Y
        self.N = N
        self.w = [0]*len(X[0])
        self.w0 = 0
        self.m = len(X)
        self.n = len(X[0])
    def output_y(self, x):
        z = np.dot(x,self.w)+self.w0
        if z > 0:
            return 1
        else:
            return -1
    def training(self):
        self.errors = []
        for times in xrange(self.N):
            error = 0
            for i in xrange(self.m):
                delta_y = self.Y[i]-self.output_y(self.X[i])
                if delta_y != 0:
                    error += 1
                self.w0 += self.eta*delta_y
                self.w += self.eta*delta_y*self.X[i]
            self.errors.append(error)
per = Perceptron(0.1, x, y, 10)
per.training()
print per.w0,per.w
print per.errors

w 0.4 [ 0.68 -1.82] errors [2, 2, 3, 2, 1, 0, 0, 0, 0, 0]

fig, axes = plt.subplots(1,2)
axes0, axes1 = axes.flatten()
axes0.plot(per.errors, marker='o')
axes0.set_title('errors')
axes1.scatter(x[:,0][0:50], x[:, 1][0:50], c = 'none', marker='o', color='r')
axes1.scatter(x[:,0][50:100], x[:, 1][50:100], marker='x', color='g')
axes1.annotate(r'versicolor',xy=(5.5,4.5),xytext=(4.5,5.5),arrowprops=dict(arrowstyle='->', facecolor='blue'))
axes1.annotate(r'setosa',xy=(5.8,2),xytext=(6.5,3),arrowprops=dict(arrowstyle='->', facecolor='blue'))
plt.subplots_adjust(left=0.1, right= 0.9, bottom=0.1, top=0.6)
plt.show()
# 使用训练得到w(0.4  0.68 -1.82),借助等高线contourf将区域分开,一部分数据大于0,一部分小于0
# 高度函数
def f(x, y):
    z = 0.4+0.68*x-1.82*y
    z = np.where(z>0,1,-1)
    return z
    
fig, axes = plt.subplots()
n = 200

mx = np.linspace(4, 7.5, n)
my = np.linspace(0, 6, n)
# 生成网格数据
X, Y = np.meshgrid(mx, my)
plt.contourf(X, Y, f(X, Y), 2, alpha = 0.75, cmap = plt.cm.RdBu)
axes.scatter(x[:,0][0:50], x[:, 1][0:50], c = 'none', marker='o', color='r')
axes.scatter(x[:,0][50:100], x[:, 1][50:100], marker='x', color='g')
axes.annotate(r'versicolor',xy=(5.5,4.5),xytext=(4.5,5.5),arrowprops=dict(arrowstyle='->', facecolor='blue'))
axes.annotate(r'setosa',xy=(5.8,2),xytext=(6.5,3),arrowprops=dict(arrowstyle='->', facecolor='blue'))
#plt.subplots_adjust(left=0.1, right= 0.9, bottom=0.1, top=0.6)
plt.show()

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏一个爱瞎折腾的程序猿

通过脚本下载GO被墙或常用的相关包

11110
来自专栏Petrichor的专栏

图像预处理: 规范化

23630
来自专栏计算机视觉

今天来看一下MS-COCO数据集的内容说明,数据的定义,标注信息

http://cocodataset.org/#download 官网地址 Mask API 中介绍 COCO为每个目标实例都提供了分割Msak { "in...

1.2K60
来自专栏Petrichor的专栏

深度学习: ZFNet 网络

ZFNet=(conv+relu+maxpooling)×2+(conv+relu)×3+fc×2+softmaxZFNet=(conv+relu+maxpoo...

46040
来自专栏木子昭的博客

Tensorflow可视化编程安装Tensoflow1.0将加法运算以图形化方式展示实现简单的线性回归为程序添加作用域模型的保存与恢复(保存会话资源)

安装Tensoflow1.0 Linux/ubuntu: python2.7: pip install https://storage.googleapis.c...

36580
来自专栏CNN

MobileNet V1官方预训练模型的使用

MobileNet V1的网络结构可以直接从官方Github库中下载定义网络结构的文件,地址为:https://raw.githubusercontent.co...

77020
来自专栏贾志刚-OpenCV学堂

OpenCV3.3深度学习模块(DNN)应用-图像分类

DNN模块介绍 在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中,当前DNN模块最早来自Tiny-dnn,可以加载预先训练好...

61870
来自专栏PaddlePaddle

【进阶篇】命令行参数使用案例

编写|PaddlePaddle 排版|wangp 1 本地训练 本地训练的实验,诸如图像分类,自然语言处理等,通常都会使用下面这些命令行参数 paddle ...

32440
来自专栏贾志刚-OpenCV学堂

OpenCV中原始图像加载与保存压缩技巧

OpenCV中关于图像读写有两个函数imread与imwrite,imread加载的时候支持灰度图像、彩色图像、原始图像加载,默认情况下通过imread加载的图...

17510
来自专栏mathor

“达观杯”文本智能处理挑战赛

 由于提供的数据集较大,一般运行时间再10到15分钟之间,基础电脑配置在4核8G的样子(越消耗内存在6.2G),因此,一般可能会遇到内存溢出的错误

39620

扫码关注云+社区

领取腾讯云代金券