python實(shí)現(xiàn)感知機(jī)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(shè),遼陽(yáng)縣企業(yè)網(wǎng)站建設(shè),遼陽(yáng)縣品牌網(wǎng)站建設(shè),網(wǎng)站定制,遼陽(yáng)縣網(wǎng)站建設(shè)報(bào)價(jià),網(wǎng)絡(luò)營(yíng)銷,網(wǎng)絡(luò)優(yōu)化,遼陽(yáng)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(qiáng)企業(yè)競(jìng)爭(zhēng)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(shí)我們時(shí)刻保持專業(yè)、時(shí)尚、前沿，時(shí)刻以成就客戶成長(zhǎng)自我，堅(jiān)持不斷學(xué)習(xí)、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實(shí)用型網(wǎng)站。>from sklearn.linear_model import Perceptron import argparse #一個(gè)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(xùn)練集和測(cè)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(xué)習(xí)率 loss_tolerance:損失閾值，即損失函數(shù)達(dá)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(xùn)練模型，即找到每個(gè)數(shù)據(jù)最合適的權(quán)重以得到最小的損失函數(shù)""" def fit(self, X, y): # X:訓(xùn)練集，即數(shù)據(jù)集，每一行是樣本，每一列是數(shù)據(jù)或標(biāo)簽,一樣本包括一數(shù)據(jù)和一標(biāo)簽 # y：標(biāo)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(kāi)始訓(xùn)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(duì)每個(gè)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(jī)只對(duì)誤分類樣本進(jìn)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(xùn)練終止條件： # 1. 訓(xùn)練epoch數(shù)達(dá)到指定的epoch數(shù)時(shí)停止訓(xùn)練 # 2. 本epoch損失與上一個(gè)epoch損失差異小于指定的閾值時(shí)停止訓(xùn)練 # 3. 訓(xùn)練過(guò)程中不再存在誤分類點(diǎn)時(shí)停止訓(xùn)練 if num_epoch >= self._n_epoch or abs(loss_diff) < self._loss_tolerance or wrong_classify == 0: break """預(yù)測(cè)模型，顧名思義""" def predict(self, x): """給定輸入樣本，預(yù)測(cè)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(jī)算法實(shí)現(xiàn)命令行參數(shù)") parser.add_argument("--nepoch", type=int, default=500, help="訓(xùn)練多少個(gè)epoch后終止訓(xùn)練") parser.add_argument("--lr", type=float, default=0.1, help="學(xué)習(xí)率") parser.add_argument("--loss_tolerance", type=float, default=0.001, help="當(dāng)前損失與上一個(gè)epoch損失之差的絕對(duì)值小于該值時(shí)終止訓(xùn)練") args = parser.parse_args() #導(dǎo)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(xùn)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(shí)標(biāo)簽為：{}，但是toby模型預(yù)測(cè)標(biāo)簽為：{}".format(ytest[i], y_pred)) logger.info("toby模型在測(cè)試集上的準(zhǔn)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(cè)試集上準(zhǔn)確率為：{}%".format(100 * skmodel.score(xtest, ytest))) if __name__ == "__main__": main()```

網(wǎng)頁(yè)題目：python實(shí)現(xiàn)感知機(jī)模型的示例-創(chuàng)新互聯(lián)
分享地址：http://chinadenli.net/article30/dcpspo.html

成都網(wǎng)站建設(shè)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(wù)器、外貿(mào)網(wǎng)站建設(shè)、做網(wǎng)站、自適應(yīng)網(wǎng)站

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(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)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(shí)需注明來(lái)源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內(nèi)容

欧美一区二区三区老妇人-欧美做爰猛烈大尺度电-99久久夜色精品国产亚洲a-亚洲福利视频一区二区

python實(shí)現(xiàn)感知機(jī)模型的示例-創(chuàng)新互聯(lián)