python实现感知机模型的示例
from sklearn.linear_model import Perceptron
import argparse #一个好用的参数传递模型
import numpy as np
from 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()```
视频参考地址
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软件开发网其它相关文章！
您可能感兴趣的文章:TensorFlow实现MLP多层感知机模型python机器学习库xgboost的使用python机器学习实现决策树python机器学习包mlxtend的安装和配置详解Python机器学习算法库scikit-learn学习之决策树实现方法详解python 机器学习之支持向量机非线性回归SVR模型python机器学习库scikit-learn：SVR的基本应用
