首页 > 分享 > 计算智能课程设计(基于感知机的鸢尾花分类)

计算智能课程设计(基于感知机的鸢尾花分类)

花匠小妙招
2024-11-06 02:24

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162

# 加载用到的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris #仅用于加载数据集

# 画图时的中文支持
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号

#加载数据集
iris = load_iris()

# # 鸢尾花数据集

# scikit-learn是基于Python的机器学习库，其默认安装包含了几个小型的数据集，并提供了读取这些数据集的接口。
# 其中sklearn.datasets.load_iris()用于读取鸢尾花数据集，该数据集有150组3种类型鸢尾花的4种属性:萼片长度sepal length、萼片宽度sepal width、花瓣长度petal length和花瓣宽度petal width，样本编号与类型的关系是：样本编号0至49为 Setosa ,50至99为 Versicolour ,100至149为 Virginica。

# 通过画图了解三种鸢尾花的分布

plt.clf()
plt.xlim(0, 7)#x轴上的最小值和最大值
plt.ylim(0, 4)
plt.title(u'iris数据集萼片', fontsize=15)
X=iris.data[:,0:2]

plt.xlabel('petal length 萼片长度', fontsize=13)
plt.ylabel('petal width 萼片宽度', fontsize=13)
plt.plot(X[:50, 0], X[:50, 1], 'bo', color='blue', label='Setosa山鸢尾')
plt.plot(X[50:100, 0], X[50:100, 1], 'bo', color='orange', label='Versicolour变色鸢尾')
plt.plot(X[100:150, 0], X[100:150, 1], 'bo', color='red', label='Virginica维吉尼亚鸢尾')
plt.legend()

plt.show()
plt.pause(3)

# 从图中大致可以看出，萼片长度和萼片宽度与鸢尾花类型间呈现出非线性关系。

plt.clf()
plt.xlim(0, 7)#x轴上的最小值和最大值
plt.ylim(0, 3)
plt.title(u'iris数据集花瓣', fontsize=15)
X=iris.data[:,2:4]

plt.xlabel('petal length 花瓣长度', fontsize=13)
plt.ylabel('petal width 花瓣宽度', fontsize=13)
plt.plot(X[:50, 0], X[:50, 1], 'bo', color='blue', label='Setosa山鸢尾')
plt.plot(X[50:100, 0], X[50:100, 1], 'bo', color='orange', label='Versicolour变色鸢尾')
plt.plot(X[100:150, 0], X[100:150, 1], 'bo', color='red', label='Virginica维吉尼亚鸢尾')
plt.legend()

plt.show()
plt.pause(3)

# 从图中大致可以看出，花瓣长度和花瓣宽度与鸢尾花类型间有较好的线性关系，使用花瓣数据来划分鸢尾花类型效果更好。
X=np.c_[np.ones(100),iris.data[:100,2:4]]

# 得到真值T，从数据集中得到真值
T=iris.target[:100].reshape(100,1)

# 将T中所有不等于1的元素赋值为-1，以契合sign函数
T[T!=1] = -1

# 权值初始化，3行1列，即w0 w1 w2
# 直接赋初值，不使用随机数
W = np.array([[1],
[1],
[1]])

# 学习率设置
lr = 1
# 神经网络输出
Y = 0

# # 学习算法

#训练感知机模型
# 更新一次权值
def train():
# 使用全局变量W
global W
# 同时计算100个数据的预测值
# Y的形状为(100,1)-100行1列
Y = np.sign(np.dot(X,W))
# T - Y得到100个的标签值与预测值的误差E。形状为(100,1)
E = T - Y
# X的形状为(100,3)
# X.T表示X的转置矩阵，形状为(3,100)
# 我们一共有100个数据，每个数据3个特征的值。定义第i个数据的第j个特征值为xij
# 如第1个数据，第2个值为x12
# X.T.dot(E)为一个3行1列的数据：
# 第1行等于：x0_0×e0+x1_0×e1+x2_0×e2+x3_0×e3+...+x99_0×e99，它会调整权值W0
# 第2行等于：x0_1×e0+x1_1×e1+x2_1×e2+x3_1×e3+...+x99_1×e99，它会调整权值W1
# 第3行等于：x0_2×e0+x1_2×e1+x2_2×e2+x3_2×e3+...+x99_2×e99，它会调整权值W2
# X.shape表示X的形状X.shape[0]得到X的行数，表示有多少个数据
# X.shape[1]得到列数，表示每个数据有多少个特征值。
delta_W = lr * (X.T.dot(E)) / X.shape[0]
W = W + delta_W

# # 画图函数
def draw():
plt.clf()
plt.xlim(0, 6)#x轴上的最小值和最大值
plt.ylim(0, 2)#y轴上的最小值和最大值
plt.title(u'Perceptron感知器 epoch:%dn W0:%f W1:%f W2:%f' %(i+1,W[0],W[1],W[2]), fontsize=15)

plt.xlabel('petal length 花瓣长度', fontsize=13)
plt.ylabel('petal width 花瓣宽度', fontsize=13)
plt.plot(X[:50, 1], X[:50, 2], 'bo', color='red', label='Setosa山鸢尾')
# 用黄色的点来画出负样本
plt.plot(X[50:100, 1], X[50:100, 2], 'bo', color='blue', label='Versicolour变色鸢尾')
plt.plot(2.5, 1, 'b+', color='black', label='待预测点')

k = - W[1] / W[2]
d = -W[0] / W[2]
# 设定两个点
xdata = (0,6)
# 通过两个点来确定一条直线，用红色的线来画出分界线
plt.plot(xdata,xdata * k + d,'black', linewidth=3)
plt.legend()
######################################################以下绘制决策面两边的颜色，不要求掌握
# 生成决策面
from matplotlib.colors import ListedColormap #绘制决策面两边的颜色，不要求掌握
# 生成x,y的数据
n = 256
xx = np.linspace(0, 6, n)
yy = np.linspace(0, 2, n)
# 把x,y数据生成mesh网格状的数据，因为等高线的显示是在网格的基础上添加上高度值
XX, YY = np.meshgrid(xx, yy)
# 填充等高线
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
cmap = ListedColormap(colors[:len(np.unique(np.sign(W[0]+W[1]*XX+W[2]*YY)))])
plt.contourf(XX, YY, np.sign(W[0]+W[1]*XX+W[2]*YY),8, alpha = 0.5, cmap=cmap)
#######################################################以上绘制决策面两边的颜色，不要求掌握
plt.pause(0.1)
plt.show()

# # 训练1000次
for i in range(1000):
if(i==0): #特地画出未经训练的初始图像，以方便理解
draw()
plt.pause(5) #停留两秒，这是分类直线最初的位置，取决于W的初始值，是人为决定的超参数
train() #更新一次权值
draw() #画出更新一次权值后的图像
Y = np.sign(np.dot(X,W))
# .all()表示Y中的所有值跟T中所有值都对应相等，结果才为真
if(Y == T).all():
print('Finished')
# 跳出循环
break