首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >一看就懂的感知机算法PLA

一看就懂的感知机算法PLA

作者头像
红色石头
发布2019-05-25 22:59:09
8730
发布2019-05-25 22:59:09
举报

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/red_stone1/article/details/80491895

个人网站:红色石头的机器学习之路 CSDN博客:红色石头的专栏 知乎:红色石头 微博:RedstoneWill的微博 GitHub:RedstoneWill的GitHub 微信公众号:AI有道(ID:redstonewill)

本文所有的源代码均放在了我的GitHub上,需要的点击文末「阅读原文」获取。如果对你有用的话,别忘了Fork和Star哦!

什么是感知机「Perceptron」

PLA全称是Perceptron Linear Algorithm,即线性感知机算法,属于一种最简单的感知机(Perceptron)模型。

感知机模型是机器学习二分类问题中的一个非常简单的模型。它的基本结构如下图所示:

这里写图片描述
这里写图片描述

其中,xixix_i是输入,wiwiw_i表示权重系数,bbb表示偏移常数。感知机的线性输出为:

scores=∑iNwixi+bscores=∑iNwixi+b

scores=\sum_i^Nw_ix_i+b

为了简化计算,通常我们将bbb作为权重系数的一个维度,即w0w0w_0。同时,将输入xxx扩展一个维度,为1。这样,上式简化为:

scores=∑iN+1wixiscores=∑iN+1wixi

scores=\sum_i^{N+1}w_ix_i

scoresscoresscores是感知机的输出,接下来就要对scoresscoresscores进行判断:

  • 若scores≥0scores≥0scores\geq0,则y^=1y^=1\hat y=1(正类)
  • 若scores<0scores<0scores<0,则y^=−1y^=−1\hat y=-1(负类)

以上就是线性感知机模型的基本概念,简单来说,它由线性得分计算阈值比较两个过程组成,最后根据比较结果判断样本属于正类还是负类。

PLA理论解释

对于二分类问题,可以使用感知机模型来解决。PLA的基本原理就是逐点修正,首先在超平面上随意取一条分类面,统计分类错误的点;然后随机对某个错误点就行修正,即变换直线的位置,使该错误点得以修正;接着再随机选择一个错误点进行纠正,分类面不断变化,直到所有的点都完全分类正确了,就得到了最佳的分类面。

利用二维平面例子来进行解释,第一种情况是错误地将正样本(y=1)分类为负样本(y=-1)。此时,wx<0wx<0wx<0,即www与xxx的夹角大于90度,分类线lll的两侧。修正的方法是让夹角变小,修正www值,使二者位于直线同侧:

w:=w+x=w+yxw:=w+x=w+yx

w:=w+x=w+yx

修正过程示意图如下所示:

这里写图片描述
这里写图片描述

第二种情况是错误地将负样本(y=-1)分类为正样本(y=1)。此时,wx>0wx>0wx>0,即www与xxx的夹角小于90度,分类线lll的同一侧。修正的方法是让夹角变大,修正www值,使二者位于直线两侧:

w:=w−x=w+yxw:=w−x=w+yx

w:=w-x=w+yx

修正过程示意图如下所示:

这里写图片描述
这里写图片描述

经过两种情况分析,我们发现PLA每次www的更新表达式都是一样的:w:=w+yxw:=w+yxw:=w+yx。掌握了每次www的优化表达式,那么PLA就能不断地将所有错误的分类样本纠正并分类正确。

数据准备

导入数据

数据集存放在’../data/’目录下,该数据集包含了100个样本,正负样本各50,特征维度为2。

import numpy as np
import pandas as pd

data = pd.read_csv('./data/data1.csv', header=None)
# 样本输入,维度(100,2)
X = data.iloc[:,:2].values
# 样本输出,维度(100,)
y = data.iloc[:,2].values

数据分类与可视化

下面我们在二维平面上绘出正负样本的分布情况。

import matplotlib.pyplot as plt

plt.scatter(X[:50, 0], X[:50, 1], color='blue', marker='o', label='Positive')
plt.scatter(X[50:, 0], X[50:, 1], color='red', marker='x', label='Negative')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(loc = 'upper left')
plt.title('Original Data')
plt.show()
这里写图片描述
这里写图片描述

PLA算法

特征归一化

首先分别对两个特征进行归一化处理,即:

X=X−μσX=X−μσ

X=\frac{X-\mu}{\sigma}

其中,μμ\mu是特征均值,σσ\sigma是特征标准差。

# 均值
u = np.mean(X, axis=0)
# 方差
v = np.std(X, axis=0)

X = (X - u) / v

# 作图
plt.scatter(X[:50, 0], X[:50, 1], color='blue', marker='o', label='Positive')
plt.scatter(X[50:, 0], X[50:, 1], color='red', marker='x', label='Negative')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(loc = 'upper left')
plt.title('Normalization data')
plt.show()
这里写图片描述
这里写图片描述

直线初始化

# X加上偏置项
X = np.hstack((np.ones((X.shape[0],1)), X))
# 权重初始化
w = np.random.randn(3,1)

显示初始化直线位置:

# 直线第一个坐标(x1,y1)
x1 = -2
y1 = -1 / w[2] * (w[0] * 1 + w[1] * x1)
# 直线第二个坐标(x2,y2)
x2 = 2
y2 = -1 / w[2] * (w[0] * 1 + w[1] * x2)
# 作图
plt.scatter(X[:50, 1], X[:50, 2], color='blue', marker='o', label='Positive')
plt.scatter(X[50:, 1], X[50:, 2], color='red', marker='x', label='Negative')
plt.plot([x1,x2], [y1,y2],'r')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(loc = 'upper left')
plt.show()
这里写图片描述
这里写图片描述

由上图可见,一般随机生成的分类线,错误率很高。

计算scores,更新权重

接下来,计算scores,得分函数与阈值0做比较,大于零则y^=1y^=1\hat y=1,小于零则y^=−1y^=−1\hat y=-1

s = np.dot(X, w)
y_pred = np.ones_like(y)    # 预测输出初始化
loc_n = np.where(s < 0)[0]    # 大于零索引下标
y_pred[loc_n] = -1

接着,从分类错误的样本中选择一个,使用PLA更新权重系数www。

# 第一个分类错误的点
t = np.where(y != y_pred)[0][0]
# 更新权重w
w += y[t] * X[t, :].reshape((3,1))

迭代更新训练

更新权重www是个迭代过程,只要存在分类错误的样本,就不断进行更新,直至所有的样本都分类正确。(注意,前提是正负样本完全可分)

for i in range(100):
    s = np.dot(X, w)
    y_pred = np.ones_like(y)
    loc_n = np.where(s < 0)[0]
    y_pred[loc_n] = -1
    num_fault = len(np.where(y != y_pred)[0])
    print('第%2d次更新,分类错误的点个数:%2d' % (i, num_fault))
    if num_fault == 0:
        break
    else:
        t = np.where(y != y_pred)[0][0]
        w += y[t] * X[t, :].reshape((3,1))

迭代完毕后,得到更新后的权重系数www,绘制此时的分类直线是什么样子。

# 直线第一个坐标(x1,y1)
x1 = -2
y1 = -1 / w[2] * (w[0] * 1 + w[1] * x1)
# 直线第二个坐标(x2,y2)
x2 = 2
y2 = -1 / w[2] * (w[0] * 1 + w[1] * x2)
# 作图
plt.scatter(X[:50, 1], X[:50, 2], color='blue', marker='o', label='Positive')
plt.scatter(X[50:, 1], X[50:, 2], color='red', marker='x', label='Negative')
plt.plot([x1,x2], [y1,y2],'r')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend(loc = 'upper left')
plt.show()
这里写图片描述
这里写图片描述

其实,PLA算法的效率还算不错,只需要数次更新就能找到一条能将所有样本完全分类正确的分类线。所以得出结论,对于正负样本线性可分的情况,PLA能够在有限次迭代后得到正确的分类直线。

总结与疑问

本文导入的数据本身就是线性可分的,可以使用PCA来得到分类直线。但是,如果数据不是线性可分,即找不到一条直线能够将所有的正负样本完全分类正确,这种情况下,似乎PCA会永远更新迭代下去,却找不到正确的分类线。

对于线性不可分的情况,该如何使用PLA算法呢?我们下次将对PLA进行改进和优化。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018年05月29日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 什么是感知机「Perceptron」
  • PLA理论解释
  • 数据准备
    • 导入数据
      • 数据分类与可视化
      • PLA算法
        • 特征归一化
          • 直线初始化
            • 计算scores,更新权重
              • 迭代更新训练
              • 总结与疑问
              领券
              问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档