-
学习率,由学习者自行设置,根据经验设置,
学习率不同,对神经网络的训练影响很大。
查看全部 -
感知器数据分类步骤:
1,初始化权重向量w
2,把样本输入感知器,得到分类结果
3,根据分类结果前向反馈更新权重
查看全部 -
课程的内容
查看全部 -
要构造的神经网络,图示
查看全部 -
panda数据分析库 df = pd.read_csv(file , header = None) df.head(10) 读取10行 df.loc[0:100 , 4].values 读取0到100行的第四列数据 iloc主要使用数字来索引数据,而不能使用字符型的标签来索引数据 而loc则刚好相反,只能使用字符型标签来索引数据,不能使用数字 来索引数据 plt.scatter绘制散点图 plt.scatter(X[:50 , 0] , X[:50 , 1] , color='red' , marker='o') 前50列数据,x轴为0列,y轴为1列数据,画出的点为红圈
查看全部 -
X:[ [1,2,3] , [4,5,6] ] y:[ 1 , -1 ] zip(X,y) = [[1,2,3, 1 ] , [4,5,6 , -1]] np.zero 向量全赋零操作 np.dot(X , y) 点积 w_[1:]权重w从1到最后 np.where(x>0 , true , false) 等价于冒号表达式
查看全部 -
和方差求偏导
查看全部 -
对人类智商和尊严进行全面的碾压...
查看全部 -
感知器数据分类算法步骤
查看全部 -
file="" import pandas as pd import matplotlib.pyplot as plt import numpy as np df=pd.read_cvs(flie,header=none)//文件第一行即数据第一行 y=df.loc[0:100,4].values//读取数据,将0-100行数据的第四列,作为输出y(vector) y=np.where(y=="",1,-1)//将输出字符串转化成数字 x=df.loc[0:100,[0,2]].values//第0列和第2列作为输入抽取出来 plt.scatter(x[:50,0],x[:50,1],color='red',marker='o',label="xxx") plt.scatter(x[50:100,0],x[50:100,1],color='blue',marker='x',label="yyy") plt.xlabel('lll') plt.ylabel('mmm') plt.legend(loc='upper left')//设置图例属性 plt.show()
查看全部 -
阈值的更新
阈值
一开始是 根据我们的经验,设定一个值
这个值再后续中要不断的更新。
就是 w0 的更新。没有x0可以乘。
θ = -w0
wo = w0 + dw0
dw0 = η * e(y)
查看全部 -
权重更新算法:
wj = wj + dwj
dwj = η * (y - y^) * xj
= η * e(y) * xj
η:学习率,是[0, 1]间的一个小数。
需要模型的设计者自己去设定。模型自己训练中不断地调整权重w的取值。然鹅,不同的学习率η,有可能会影响到最后的模型学习效果。
查看全部 -
步调函数 & 阈值
z* = z - theta (????)
z* >< 2* theta
查看全部 -
感知器 数据分类算法 步骤:
把权重向量w初始化为0(或[0, 1]间任意小数);
把训练样本输入感知器,得到分类结果(-1, 或1);
根据分类结果更新权重向量w 。
整个机器学习的目的,就是 通过输入的训练样本,反复去更新权重向量w,直到权重向量更新到一定程度之后,我们的整个模型才能有效地对未知输入做出有效的分类和预测。
查看全部 -
import numpy as np class Perceptron(object): """ eta:学习率 n_iter:权重向量的训练次数 w_:神经分叉权重向量 errors:用于记录神经元判断出错次数 """ def __init__(self, eta, n_iter): self.eta=eta self.n_iter=n_iter pass def net_input(self,X): """ z = W0*1 + W1*X1 +.... Wn*Xn """ return np.dot(X,self.w_[1:]) + self.w_[0] pass def predict(self, X): return np.where(self.net_input(X) >= 0.0 ,1, -1) pass def fit(self,X,y): """ 输入训练数据,训练神经元,x输入样本向量,y对应样本的正确分类 X:shape[n_samples, n_features] eg:X:[[1, 2, ,3],[4, 5, 6]] n_samples: 2 n_features: 3 y:[1, -1] """ """ 初始化权重向量为0 加一是因为前面算法提到的w0,也就是步调函数阈值 """ self.w_ = np.zeros(1+X.shape[1]) self.errors_ =[] for _ in range(self.n_iter): errors = 0 """ X:[[1,2,3],[4,5,6]] y:[1, -1] zip(X,y)=[[1,2,3, 1],[4,5,6, -1]] """ for xi, target in zip(X,y): """ update = 学习率 * (y-y') """ update = self.eta * (target - self.predict(xi)) """ xi 是一个向量 update * xi 等价: [更新w(1) = X[1]*update, 更新w(2) = X[2]*update,更新w(3) = X[3]*update,] """ self.w_[1:]+=update * xi self.w_[0] += update errors += int(update != 0.0) self.errors_.append(errors) pass pass pass file = "D:/PyCharm_test_file/Jupyter_test/iris1.xlsx" import pandas as pd df = pd.read_excel(file,header=None) #df.head(10) #print(df) import matplotlib.pyplot as plt import numpy as npy = df.loc[0:99, 4].values y = np.where(y == 'Iris-setosa', -1, 1) #print(y) X = df.iloc[0:100, [0, 2]].values #print(X) plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa') plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='vericolor') plt.rcParams['font.sans-serif']=['SimHei'] plt.xlabel('花瓣长度') plt.ylabel('花茎长度') plt.legend(loc='upper left') plt.show() from matplotlib.colors import ListedColormap def plot_decision_regions(X, y, classifier, resolution=0.02): marker = ('s', 'x', 'o', 'v') colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan') cmap = ListedColormap(colors[:len(np.unique(y))]) x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() #将x1、x2最大最小值通过arange函数得到的向量,扩展成两个二维矩阵 xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution)) #预测 Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T) #ravel还原成单维向量 #绘制 Z= Z.reshape(xx1.shape) #将Z转换成与xx1一样的二维数组 plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap) #在两组分类结果中间画分割线-->必须线性可分 plt.xlim(xx1.min(), xx1.max()) plt.ylim(xx2.min(), xx2.max()) for idx, cl in enumerate(np.unique(y)): plt.scatter(x=X[y==cl, 0], y=X[y==cl, 1], alpha=0.8, c=cmap(idx), marker=marker[idx], label=cl) ppn = Perceptron(0.1, 10) ppn.fit(X, y) plot_decision_regions(X, y, ppn, resolution=0.02)
查看全部
举报