爱吧机器人网 » 技术 > 机器学习 > 正文

Machine Learning-感知器分类算法详解

核心提示: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

作者:阿Sam 【翻译整理】
个人公众号:SAMshare
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:

\
\
\
\



上一篇:贝叶斯网络之父:如何真正教会机器理解
下一篇:深度学习的可解释性研究(一):让模型「说人话」

本周栏目热点

Machine Learning-感知器分类算法详解

[2018-05-31]  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......

关于应用机器学习作为搜索问题的入门简介

[2018-01-03]  机器学习的应用可以理解为一个搜索问题,即根据某个项目的已知信息和可获取的资源,找到从输入到输出的最好的映射。在本文你即将看到把应用机器学习当作搜索问题的概念...

[2016-02-24]     伊隆·马斯克、史蒂芬·霍金和比尔·盖茨都曾多次警告称,快速发展的人工智 ...

 贝叶斯机器学习前沿进展

[2018-05-18]  机器学习是人工智能及模式识别领域的共同研究热点,其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题.2010年的图灵奖获得者为 ...

工业机器人四种编程技术

[2017-07-05]  在线示教编程通常由操作人员通过示教盒控制机械手工具末端到达指定的姿态和位置,记录机器人位姿数据并编写机器人运动指令,完成机器人在正常加工中的轨迹规划、位姿等关节数......

精选推荐

CES 2018:英特尔推出49量子位芯片争夺量子霸权
CES 2018:英特尔推出49量子位芯片争夺量子霸权

[2018-01-10]  在与Google、IBM的一场关于建立量子计算系统的马拉松比赛中,英特尔通过了一个关键的里程碑。近日,这个科技巨头已经推出了一个49个量子位 ...

美国Natilus公司试飞水上无人货机 设计简单成本降低
美国Natilus公司试飞水上无人货机 设计简单成本降低

[2017-12-28]  Natilus创业公司成立于2014年,其梦想是建造大型无人机,以半价提供比船舶快得多国际货运。在十二月份,Natilus计划在旧金山湾测试一个9米翼展的小型原型无人机的水上滑行能力......

2018年企业数字化转型的五大趋势
2018年企业数字化转型的五大趋势

[2017-12-16]  据2016年哈佛商学院研究表明,选择进行数字化转型的企业在3年内表现出了55%的平均毛利润提升,相比之下其他企业毛利润同期降低了37%。数字化转型企业的领头羊,也曾是收入处于......

如何让人工智能机器人快速自我纠正错误并吃一堑长一智?
如何让人工智能机器人快速自我纠正错误并吃一堑长一智?

[2017-08-23]  莱斯特大学数学系的研究人员在《Neural Networks》杂志上发表了一篇文章,概述了新算法的数学基础,可以使人工智能收集错误报告并立即纠正,而不影响现有技能 ,同时还会积......

2022年全球工业机器人市场将达到790亿美元
2022年全球工业机器人市场将达到790亿美元

[2017-09-04]  预计到 2022年, 全球工业机器人市场将达到790亿美元, 并在预测期内登记11 5% 的复合年增长率。随着发展中国家中小型企业需求的不断增长, 采用自动化技术以确保生产质量......

从AI中窥探人性
从AI中窥探人性

[2018-01-03]  人们对人造智能的恐惧早已成为科幻书籍和电影的极好题材。但现在,一些同样的担忧开始影响关于现实世界AI技术的政策讨论。如果这样的担忧演变成为一种技术恐慌...

德国研发出一种能在你体内工作的微型机器人

[2018-01-26]  纽约时报的报道,德国的研究人员已经开发出一种长约七分之一英寸的机器人,首先看起来不过是一小块橡皮条。然后它开始移动。机器人走路,跳跃,爬行,滚动和游泳。它甚至爬出......

助力卷积神经网络时空特征学习 史上最大行人重识别视频数据集被提出
助力卷积神经网络时空特征学习 史上最大行人重识别视频数据集被提出

[2017-12-25]  本文提出了一个大型的、长序列的、用于行人重识别的视频数据集,简称LVreID。与现有的同类数据集相比,该数据集具有以下特点:1)长序列:平均每段视频序列长为200帧,包含丰......