Machine Learning-感知器分类算法详解

Sam Gor

发布于 2019-08-22 13:32:22

1.1K0

发布于 2019-08-22 13:32:22

文章被收录于专栏：SAMshareSAMshare

机器学习系列专栏

选自 python-machine-learning-book on GitHub

作者：Sebastian Raschka

翻译&整理 by Sam

最近在GitHub上面发现了一个炒鸡赞的项目，果然直接拿过来消化一波，这个项目的内容是关于机器学习的指导，我会挑一些内容来完成下面的一系列文章。

今天我们来讲解的内容是感知器分类算法，本文的结构如下：

什么是感知器分类算法
在Python中实现感知器学习算法
- 在iris（鸢尾花）数据集上训练一个感知器模型
自适应线性神经元和融合学习
- 使用梯度下降方法来最小化损失函数
- 在Python中实现一个自适应的线性神经元

什么是感知器分类算法

‍‍‍‍‍‍‍‍‍设想我们改变逻辑回归算法，“迫使”它只能输出-1或1抑或其他定值。在这种情况下，之前的逻辑函数‍‍g就会变成阈值函数sign：

如果我们令假设为hθ(x)=g(θTx)hθ(x)=g(θTx)，将其带入之前的迭代法中：

至此我们就得出了感知器学习算法。简单地来说，感知器学习算法是神经网络中的一个概念，单层感知器是最简单的神经网络，输入层和输出层直接相连。

每一个输入端和其上的权值相乘，然后将这些乘积相加得到乘积和，这个结果与阈值相比较（一般为0），若大于阈值输出端就取1，反之，输出端取-1。

初始权重向量W=[0,0,0]，更新公式W(i)=W(i)+ΔW(i)；ΔW(i)=η*(y-y’)*X(i)； η：学习率，介于[0,1]之间 y：输入样本的正确分类 y’：感知器计算出来的分类通过上面公式不断更新权值，直到达到分类要求。

图：单层感知器模型

初始化权重向量W，与输入向量做点乘，将结果与阈值作比较，得到分类结果1或-1。

在Python中实现感知器学习算法

下面直接贴上实现代码：（也可在公众号后台输入“感知器”进行获取ipynb文件）

 1import numpy as np
 2class  Perceptron(object):
 3"""Perceptron classifier.
 4Parameters
 5------------
 6eta : float
 7    Learning rate (between 0.0 and 1.0)
 8n_iter : int
 9    Passes over the training dataset.
10Attributes
11-----------
12w_ : 1d-array
13    Weights after fitting.
14errors_ : list
15    Number of misclassifications (updates) in each epoch.
16"""
17def __init__(self, eta=0.01, n_iter=10):
18    self.eta = eta
19    self.n_iter = n_iter
20def fit(self, X, y):
21    """Fit training data.
22    Parameters
23    ----------
24    X : {array-like}, shape = [n_samples, n_features]
25        Training vectors, where n_samples is the number of samples and
26        n_features is the number of features.
27    y : array-like, shape = [n_samples]
28        Target values.
29    Returns
30    -------
31    self : object
32    """
33    self.w_ = np.zeros(1 + X.shape[1])
34    self.errors_ = []
35    for _ in range(self.n_iter):
36        errors = 0
37        for xi, target in zip(X, y):
38            update = self.eta * (target - self.predict(xi))
39            self.w_[1:] += update * xi
40            self.w_[0] += update
41            errors += int(update != 0.0)
42        self.errors_.append(errors)
43    return self
44def net_input(self, X):
45    """Calculate net input"""
46    return np.dot(X, self.w_[1:]) + self.w_[0]
47def predict(self, X):
48    """Return class label after unit step"""
49    return np.where(self.net_input(X) >= 0.0, 1, -1)

特别说明：

学习速率η(eta)只有在权重（一般取值0或者很小的数）为非零值的时候，才会对分类结果产生作用。如果所有的权重都初始化为0，学习速率参数eta只影响权重向量的大小，而不影响其方向，为了使学习速率影响分类结果，权重需要初始化为非零值。需要更改的代码中的相应行在下面突出显示:

1def __init__(self, eta=0.01, n_iter=50, random_seed=1): # add random_seed=1
2    ...
3    self.random_seed = random_seed # add this line
4def fit(self, X, y):
5    ...
6    # self.w_ = np.zeros(1 + X.shape[1]) ## remove this line
7    rgen = np.random.RandomState(self.random_seed) # add this line
8    self.w_ = rgen.normal(loc=0.0, scale=0.01, size=1 + X.shape[1]) # add this line

在iris（鸢尾）数据集上训练一个感知器模型

读取iris数据集

1import pandas as pd
2import collections
3df = pd.read_csv('https://archive.ics.uci.edu/ml/'
4        'machine-learning-databases/iris/iris.data', header=None)
5print (df.head())
6print ("\n")
7print (df.describe())
8print ("\n")
9print (collections.Counter(df[4]))

output：

可视化iris数据

 1%matplotlib inline
 2import matplotlib.pyplot as plt
 3import numpy as np
 4# 为了显示中文(这里是Mac的解决方法，其他的大家可以去百度一下)
 5from matplotlib.font_manager import FontProperties
 6font = FontProperties(fname='/System/Library/Fonts/STHeiti Light.ttc')
 7# 选择 setosa and versicolor类型的花
 8y = df.iloc[0:100, 4].values
 9y = np.where(y == 'Iris-setosa', -1, 1)
10# 提取它们的特征 （sepal length and petal length）
11X = df.iloc[0:100, [0, 2]].values
12# 可视化数据，因为数据有经过处理，总共150行数据，1-50行是setosa花，51-100是versicolor花，101-150是virginica花
13plt.scatter(X[:50, 0], X[:50, 1],
14            color='red', marker='o', label='setosa')
15plt.scatter(X[50:100, 0], X[50:100, 1],
16            color='blue', marker='x', label='versicolor')
17plt.xlabel('sepal 长度 [cm]',FontProperties=font,fontsize=14)
18plt.ylabel('petal 长度 [cm]',FontProperties=font,fontsize=14)
19plt.legend(loc='upper left')
20plt.tight_layout()
21plt.show()

output：

训练感知器模型

1# Perceptron是我们前面定义的感知器算法函数，这里就直接调用就好
2ppn = Perceptron(eta=0.1, n_iter=10)
3ppn.fit(X, y)
4plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')
5plt.xlabel('迭代次数',FontProperties=font,fontsize=14)
6plt.ylabel('权重更新次数（错误次数）',FontProperties=font,fontsize=14)
7plt.tight_layout()
8plt.show()

output：

绘制函数决策区域

 1from matplotlib.colors import ListedColormap
 2def plot_decision_regions(X, y, classifier, resolution=0.02):
 3    # setup marker generator and color map
 4    markers = ('s', 'x', 'o', '^', 'v')
 5    colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
 6    cmap = ListedColormap(colors[:len(np.unique(y))])
 7    # plot the decision surface
 8    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
 9    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
10    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
11                           np.arange(x2_min, x2_max, resolution))
12    Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
13    Z = Z.reshape(xx1.shape)
14    plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap)
15    plt.xlim(xx1.min(), xx1.max())
16    plt.ylim(xx2.min(), xx2.max())
17    # plot class samples
18    for idx, cl in enumerate(np.unique(y)):
19        plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1],
20                    alpha=0.8, c=cmap(idx),
21                    edgecolor='black',
22                    marker=markers[idx], 
23                    label=cl)

1plot_decision_regions(X, y, classifier=ppn)
2plt.xlabel('sepal 长度 [cm]',FontProperties=font,fontsize=14)
3plt.ylabel('petal 长度 [cm]',FontProperties=font,fontsize=14)
4plt.legend(loc='upper left')
5plt.tight_layout()
6plt.show()

output：

自适应线性神经元和融合学习

使用梯度下降方法来最小化损失函数

梯度下降的方法十分常见，具体的了解可以参考附录的文章[2]，如今，梯度下降主要用于在神经网络模型中进行权重更新，即在一个方向上更新和调整模型的参数，来最小化损失函数。

图：梯度下降原理过程演示

在Python中实现一个自适应的线性神经元

先贴上定义的python函数，（也可在公众号后台输入“感知器”进行获取ipynb文件）

 1# 定义神经元函数
 2class AdalineGD(object):
 3    """ADAptive LInear NEuron classifier.
 4    Parameters
 5    ------------
 6    eta : float
 7        Learning rate (between 0.0 and 1.0)
 8    n_iter : int
 9        Passes over the training dataset.
10    Attributes
11    -----------
12    w_ : 1d-array
13        Weights after fitting.
14    cost_ : list
15        Sum-of-squares cost function value in each epoch.
16    """
17    def __init__(self, eta=0.01, n_iter=50):
18        self.eta = eta
19        self.n_iter = n_iter
20    def fit(self, X, y):
21        """ Fit training data.
22        Parameters
23        ----------
24        X : {array-like}, shape = [n_samples, n_features]
25            Training vectors, where n_samples is the number of samples and
26            n_features is the number of features.
27        y : array-like, shape = [n_samples]
28            Target values.
29        Returns
30        -------
31        self : object
32        """
33        self.w_ = np.zeros(1 + X.shape[1])
34        self.cost_ = []
35        for i in range(self.n_iter):
36            net_input = self.net_input(X)
37            # Please note that the "activation" method has no effect
38            # in the code since it is simply an identity function. We
39            # could write `output = self.net_input(X)` directly instead.
40            # The purpose of the activation is more conceptual, i.e.,  
41            # in the case of logistic regression, we could change it to
42            # a sigmoid function to implement a logistic regression classifier.
43            output = self.activation(X)
44            errors = (y - output)
45            self.w_[1:] += self.eta * X.T.dot(errors)
46            self.w_[0] += self.eta * errors.sum()
47            cost = (errors**2).sum() / 2.0
48            self.cost_.append(cost)
49        return self
50    def net_input(self, X):
51        """Calculate net input"""
52        return np.dot(X, self.w_[1:]) + self.w_[0]
53    def activation(self, X):
54        """Compute linear activation"""
55        return self.net_input(X)
56    def predict(self, X):
57        """Return class label after unit step"""
58        return np.where(self.activation(X) >= 0.0, 1, -1)

查看不同学习率下的错误率随迭代次数的变化情况：

 1fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))
 2# 可视化W调整的过程中，错误率随迭代次数的变化
 3ada1 = AdalineGD(n_iter=10, eta=0.01).fit(X, y)
 4ax[0].plot(range(1, len(ada1.cost_) + 1), np.log10(ada1.cost_), marker='o')
 5ax[0].set_xlabel('Epochs')
 6ax[0].set_ylabel('log(Sum-squared-error)')
 7ax[0].set_title('Adaline - Learning rate 0.01')
 8ada2 = AdalineGD(n_iter=10, eta=0.0001).fit(X, y)
 9ax[1].plot(range(1, len(ada2.cost_) + 1), ada2.cost_, marker='o')
10ax[1].set_xlabel('Epochs')
11ax[1].set_ylabel('Sum-squared-error')
12ax[1].set_title('Adaline - Learning rate 0.0001')
13plt.tight_layout()
14plt.show()

output：

iris数据的应用情况：

 1# 标准化特征
 2X_std = np.copy(X)
 3X_std[:, 0] = (X[:, 0] - X[:, 0].mean()) / X[:, 0].std()
 4X_std[:, 1] = (X[:, 1] - X[:, 1].mean()) / X[:, 1].std()
 5# 调用函数开始训练
 6ada = AdalineGD(n_iter=15, eta=0.01)
 7ada.fit(X_std, y)
 8# 绘制效果
 9plot_decision_regions(X_std, y, classifier=ada)
10plt.title('Adaline - Gradient Descent')
11plt.xlabel('sepal length [standardized]')
12plt.ylabel('petal length [standardized]')
13plt.legend(loc='upper left')
14plt.tight_layout()
15plt.show()
16# 可视化W调整的过程中，错误率随迭代次数的变化
17plt.plot(range(1, len(ada.cost_) + 1), ada.cost_, marker='o')
18plt.xlabel('Epochs')
19plt.ylabel('Sum-squared-error')
20plt.tight_layout()
21plt.show()

output：