python實現(xiàn)感知機模型的示例-創(chuàng)新互聯(lián)

成都創(chuàng)新互聯(lián)公司是一家集網(wǎng)站建設,遼陽縣企業(yè)網(wǎng)站建設,遼陽縣品牌網(wǎng)站建設,網(wǎng)站定制,遼陽縣網(wǎng)站建設報價,網(wǎng)絡營銷,網(wǎng)絡優(yōu)化,遼陽縣網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強企業(yè)競爭力?？沙浞譂M足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網(wǎng)站。>from sklearn.linear_model import Perceptron import argparse #一個好用的參數(shù)傳遞模型 import numpy as np from sklearn.datasets import load_iris #數(shù)據(jù)集 from sklearn.model_selection import train_test_split #訓練集和測試集分割 from loguru import logger #日志輸出，不清楚用法 #python is also oop class PerceptronToby(): """ n_epoch:迭代次數(shù) learning_rate:學習率 loss_tolerance:損失閾值，即損失函數(shù)達到極小值的變化量 """ 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 """訓練模型，即找到每個數(shù)據(jù)最合適的權重以得到最小的損失函數(shù)""" def fit(self, X, y): # X:訓練集，即數(shù)據(jù)集，每一行是樣本，每一列是數(shù)據(jù)或標簽,一樣本包括一數(shù)據(jù)和一標簽 # y：標簽，即1或-1 n_sample, n_feature = X.shape #剝離矩陣的方法真帥 #均勻初始化參數(shù) rnd_val = 1/np.sqrt(n_feature) rng = np.random.default_rng() self._w = rng.uniform(-rnd_val,rnd_val,size = n_feature) #偏置初始化為0 self._b = 0 #開始訓練了，迭代n_epoch次 num_epoch = 0 #記錄迭代次數(shù) prev_loss = 0 #前損失值 while True: curr_loss = 0 #現(xiàn)在損失值 wrong_classify = 0 #誤分類樣本 #一次迭代對每個樣本操作一次 for i in range(n_sample): #輸出函數(shù) y_pred = np.dot(self._w,X[i]) + self._b #損失函數(shù) curr_loss += -y[i] * y_pred # 感知機只對誤分類樣本進行參數(shù)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 # 訓練終止條件： # 1. 訓練epoch數(shù)達到指定的epoch數(shù)時停止訓練 # 2. 本epoch損失與上一個epoch損失差異小于指定的閾值時停止訓練 # 3. 訓練過程中不再存在誤分類點時停止訓練 if num_epoch >= self._n_epoch or abs(loss_diff) < self._loss_tolerance or wrong_classify == 0: break """預測模型，顧名思義""" def predict(self, x): """給定輸入樣本，預測其類別""" y_pred = np.dot(self._w, x) + self._b return 1 if y_pred >= 0 else -1 #主函數(shù) def main(): #參數(shù)數(shù)組生成 parser = argparse.ArgumentParser(description="感知機算法實現(xiàn)命令行參數(shù)") parser.add_argument("--nepoch", type=int, default=500, help="訓練多少個epoch后終止訓練") parser.add_argument("--lr", type=float, default=0.1, help="學習率") parser.add_argument("--loss_tolerance", type=float, default=0.001, help="當前損失與上一個epoch損失之差的絕對值小于該值時終止訓練") args = parser.parse_args() #導入數(shù)據(jù) X, y = load_iris(return_X_y=True) # print(y) y[:50] = -1 # 分割數(shù)據(jù) xtrain, xtest, ytrain, ytest = train_test_split(X[:100], y[:100], train_size=0.8, shuffle=True) # print(xtest) #調(diào)用并訓練模型 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("該樣本真實標簽為：{}，但是toby模型預測標簽為：{}".format(ytest[i], y_pred)) logger.info("toby模型在測試集上的準確率為：{}%".format(n_right * 100 / n_test)) skmodel = Perceptron(max_iter=args.nepoch) skmodel.fit(xtrain, ytrain) logger.info("sklearn模型在測試集上準確率為：{}%".format(100 * skmodel.score(xtest, ytest))) if __name__ == "__main__": main()```

網(wǎng)頁題目：python實現(xiàn)感知機模型的示例-創(chuàng)新互聯(lián)
分享地址：http://muchs.cn/article30/dcpspo.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站排名、企業(yè)網(wǎng)站制作、云服務器、外貿(mào)網(wǎng)站建設、做網(wǎng)站、自適應網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)

成都做網(wǎng)站