热门标签
热门文章
- 1基于java+ssm+jsp的快递管理系统_基于java的快递管理系统
- 2python数据分析案例详解,python数据分析简单案例_python数据分析实例
- 3图片转PDF
- 45 款非常好用的 Docker 工具_docker 镜像压缩工具哪个好用
- 5学会这些 Logback 高级知识点，日志排查轻松了不少_logback 日志过滤
- 6云计算面试题【后期】
- 7spring boot 笔记2
- 8Linux搭建tftp出现“Job for tftpd-hpa.service failed because the control process exited with error code..“
- 9frp windows+linux双端配置，linux封装进程自启_linux frp
- 10幻兽帕鲁、一键部署，快速体验服务器部署保姆级教程_幻兽帕鲁服务器更新linux
当前位置: article > 正文
[学习笔记]人工智能-神经网络对数据进行分类-可视化_神经网络分类平面可视化
作者：Cpp五条 | 2024-02-23 02:10:33
赞
踩
神经网络分类平面可视化
1.数据进行分类
z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
=======================================================
def plot_decision_regions(x, y, classifier, resolution=0.02):
marker = ('s', 'x', 'o', 'v')
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
# y 的种类只有-1 和 1 ，根据相应的种类绘制对应的颜色
cmap = ListedColormap(colors[:len(np.unique(y))])
x1_min = x[:, 0].min() - 1
x1_max = x[:, 0].max()
x2_min = x[:, 1].min() - 1
x2_max = x[:, 1].max()
#print("花瓣长度最小值 为 %s， 最大值为 %s" % (x1_min, x1_max))
#print("花茎长度最小值 为 %s， 最大值为 %s" % (x2_min, x2_max))
# 构造向量，扩展成一个二维矩阵，resolution向量差值
xx1, xx2 = np.meshgrid(
np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))
#print("x1向量大小", np.arange(x1_min, x1_max, resolution).shape)
#print("x1向量", np.arange(x1_min, x1_max, resolution))
#print("x2向量大小", np.arange(x2_min, x2_max, resolution).shape)
#print("x2向量", np.arange(x2_min, x2_max, resolution))
#print("xx1 二维矩阵大小", xx1.shape)
#print("xx1 二维矩阵", xx1)
#print("xx2 二维矩阵大小", xx2.shape)
#print("xx2 二维矩阵", xx2)
z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
print("xx1还原成单位向量:", xx1.ravel())
print("xx2还原成单位向量:", xx2.ravel())
print('分类后的模式数据', z)
plot_decision_regions(x, y, ppn, resolution=0.02)
=======================================================
# 预测函数
def predict(self, x):
# if self.net_input(x) >= 0.0:
# np.where(1)
# else:
# np.where(-1)
return np.where(self.net_input(x) >= 0.0, 1, -1)
=======================================================
def net_input(self, x):
'''
[公式]Z = w0 * 1 + W1*X1 + ....+ Wn * Xn
'''
return np.dot(x, self.w_[1:]) + self.w_[0]
pass
- 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
运行结果
xx1还原成单位向量: [ 3.3 3.32 3.34 ..., 6.94 6.96 6.98]
xx2还原成单位向量: [ 0. 0. 0. ..., 5.08 5.08 5.08]
分类后的模式数据 [-1 -1 -1 ..., 1 1 1]- 1
- 2
- 3
2.可视化模型
# 转换为二维矩阵
z = z.reshape(xx1.shape)
# 数据画分类线
plt.contourf(xx1, xx2, z, alpha=0.4, cmap=cmap)
plt.xlim(xx1.min(), xx1.max())
plt.ylim(xx2.min(), xx2.max())
for idx, c1 in enumerate(np.unique(y)):
plt.scatter(x=X[y == c1, 0], y=X[y == c1, 1], alpha=0.8, c=cmap(
idx), marker=markers[idx], label=c1)
plot_decision_regions(x, y, ppn, resolution=0.02)
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc='upper left')
plt.show()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
运行结果
3.源码
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
'''
实现感知器对象
'''
import numpy as np
'''
定义感知器类
'''
class Perceptron(object):
'''
eta:学习率
n_iter:权重向量的训练次数
w_:神经元权重向量
errors_:用于记录神经元判断出错的次数
'''
def __init__(self, eta=0.01, n_iter=10):
self.eta = eta
self.n_iter = n_iter
'''
fit 输入训练数据，培训神经元
x 表示 输入样本向量
y 表示样本分类
x:shape[n_samples, n_features]
x:[[1,2,3], [4,5,6]]
n_samples 向量个数 2
n_features 向量中的神经元个数 3
y:[1, -1],1对应[1,2,3]， -1对应[4,5,6]
'''
def fit(self, x, y):
# 初始化权重向量为 0
# x:[[1,2,3], [4,5,6]] 得 x.shape[1] = 2，+1 w0 步调函数的阈值
self.w_ = np.zeros(1 + x.shape[1])
self.errors_ = []
# 训练次数
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):
'''
Ps:公式 = 学习率 * (输入样本的正确分类 - 预测感知样本的分类) * xi
'''
update = self.eta * (target - self.predict(xi))
'''
xi 是一个向量
update * xi 等价于
[∇w(1) = x[1] * update]
w_[1:] 忽略掉第 0 个元素，从第 1 个元素开始
'''
self.w_[1:] += update * xi
# 阈值更新
self.w_[0] += update
# 判断错误的次数
if(update != 0.0):
errors = errors + 1
self.errors_.append(errors)
pass
pass
# 神经元
def net_input(self, x):
'''
[公式]Z = w0 * 1 + W1*X1 + ....+ Wn * Xn
'''
return np.dot(x, self.w_[1:]) + self.w_[0]
pass
# 预测函数
def predict(self, x):
# if self.net_input(x) >= 0.0:
# np.where(1)
# else:
# np.where(-1)
return np.where(self.net_input(x) >= 0.0, 1, -1)
pass
pass
# 加载数据原料
import pandas as pd
file = "D:/EclipseProject/PythonStudyBySu/su/iris.data.csv"
# 无文件头
df = pd.read_csv(file, header=None)
# 读取前面 10 行数据
# print(df.head(10))
# 数据可视化展示
import matplotlib.pyplot as plt
y = df.loc[0:99, 4].values
#print("显示第四列前100条数据", y)
y = np.where(y == "Iris-setosa", -1, 1)
#print("对数据进行分类", y)
# 抽取出第0和2列的数据
x = df.iloc[0:100, [0, 2]].values
# print("抽取出第0和2列的数据", x)
# 画出图形
# x 的第一列为x轴，第二列为y轴
# 前50条数据
#plt.scatter(x[:50, 0], x[:50, 1], color='red', marker='o', label='setosa')
# 后50条数据
# plt.scatter(x[50:100, 0], x[50:100, 1], color='blue',
# marker='x', label='versicolor')
# plt.xlabel("花瓣长度")
# plt.ylabel("花茎长度")
#plt.legend(loc='upper left')
# plt.show()
ppn = Perceptron(eta=0.1, n_iter=10)
ppn.fit(x, y)
#plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o')
#plt.xlabel('Epochs')
#plt.ylabel("error classify count")
#plt.show()
from matplotlib.colors import ListedColormap
def plot_decision_regions(X, y, classifier, resolution=0.02):
markers = ('s', 'x', 'o', 'v')
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
# y 的种类只有-1 和 1 ，根据相应的种类绘制对应的颜色
cmap = ListedColormap(colors[:len(np.unique(y))])
x1_min = X[:, 0].min() - 1
x1_max = X[:, 0].max()
x2_min = X[:, 1].min() - 1
x2_max = X[:, 1].max()
#print("花瓣长度最小值 为 %s， 最大值为 %s" % (x1_min, x1_max))
#print("花茎长度最小值 为 %s， 最大值为 %s" % (x2_min, x2_max))
# 构造向量，扩展成一个二维矩阵，resolution向量差值
xx1, xx2 = np.meshgrid(
np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))
#print("x1向量大小", np.arange(x1_min, x1_max, resolution).shape)
#print("x1向量", np.arange(x1_min, x1_max, resolution))
#print("x2向量大小", np.arange(x2_min, x2_max, resolution).shape)
#print("x2向量", np.arange(x2_min, x2_max, resolution))
#print("xx1 二维矩阵大小", xx1.shape)
#print("xx1 二维矩阵", xx1)
#print("xx2 二维矩阵大小", xx2.shape)
#print("xx2 二维矩阵", xx2)
z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
print("xx1还原成单位向量:", xx1.ravel())
print("xx2还原成单位向量:", xx2.ravel())
print('分类后的模式数据', z)
# 转换为二维矩阵
z = z.reshape(xx1.shape)
# 数据画分类线
plt.contourf(xx1, xx2, z, alpha=0.4, cmap=cmap)
plt.xlim(xx1.min(), xx1.max())
plt.ylim(xx2.min(), xx2.max())
for idx, c1 in enumerate(np.unique(y)):
plt.scatter(x=X[y == c1, 0], y=X[y == c1, 1], alpha=0.8, c=cmap(
idx), marker=markers[idx], label=c1)
plot_decision_regions(x, y, ppn, resolution=0.02)
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc='upper left')
plt.show()
- 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
- 163
- 164
- 165
- 166
- 167
- 168
- 169
- 170
- 171
- 172
- 173
- 174
- 175
- 176
- 177
- 178
- 179
- 180
- 181
- 182
- 183
4.git
https://github.com/sufadi/SimpleNeuronNetworkDemo/commit/625923fc5d32dac07b0d02c2a387657f66a53cf7
5.学习笔记来源
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Cpp五条/article/detail/132919
推荐阅读
相关标签
