机器学习之Perceptron模型

本文主要介绍机器学习领域最为基础的模型，感知机模型：python

• 一、感知机模型介绍
• 二、感知机数学原理
• 三、算法及Python代码实现
• 四、小结

一、感知机模型介绍

定义（感知机） 假设输入空间（特征空间）是，输出空间是Y={+1，-1}，输入表示实例的特征向量，对应于输入空间（特征空间）的点；输出表示实例的类别。由输入空间到输出空间的以下函数 f(x)=sign(w·x+b)称为感知机，其中w和b称为感知机的参数，sign为符号函数定义为web

二、感知机数学原理

2.1 感知机学习策略

对于给定一个数据集T={(x1,y1),(x2,y2),…,(xN,yN)}，其中，xi∈X=yi∈Y={+1,-1}，i=1,2,…,N，若是存在某个超平面S w·x+b=0，能将正负样例分到S两侧，则说明数据集T可分，那么接下来就是要求这个超平面S的表达式。算法

2.2感知机学习策略

首先写出输入空间中任意一点x0到超平面S的距离：

这里||w||是w的L2范数
对于误分类来讲，-yi(w·xi+b)>0 成立，由于在误分类情形下yi的值与w·xi+b的值符号相反，又由于yi取值为+1，-1，用yi的值能够去掉上面的距离公式中的绝对值符号，所以误分类点xi到超平面的距离为

这样，假设超平面S的误分类点集合为M，那么全部误分类点到超平面S的总距离为
这里把||w||定为1，便于定义损失函数（原理目前我还不太懂）那么就能够定义感知机的损失函数了
app

三、算法及Python代码实现

感知机学习算法的原始形式
输入：训练数据TT={(x1,y1),(x2,y2),…,(xN,yN)}，其中，xi∈X=yi∈Y={+1,-1}，i=1,2,…,N；学习率η（0<η≤1）；
输出：w,b;感知机模型f(x)=sign(w·x+b).
（1）选取初值w0,b0
（2）在训练集中选取数据（xi,yi）
（3）若是yi(w·xi+b)≤0，w ← w+ηyi·xi；b ← b+ηyi
（4）转至（2），直至训练集中没有误分类点
下面始Python实现代码dom

import numpy as np
import random as random
import matplotlib as mpl
import matplotlib.pyplot as plt
datas = [[(1,2),-1],[(2,1),-1],[(2,2),-1],[(1,4),1],[(3,3),1],[(5,4),1],[(3, 3), 1], [(4, 3), 1], [(1, 1), -1],[(2, 3), -1], [(4, 2), 1]]
random.shuffle(datas)
fig = plt.figure('Input Figure')
mpl.rcParams['xtick.labelsize'] = 16
mpl.rcParams['ytick.labelsize'] = 16
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
xArr = np.array([x[0] for x in datas])
yArr = np.array([x[1] for x in datas])
xPlotx,xPlotx_,xPloty,xPloty_ = [],[],[],[]
for i in range(len(datas)):
    y = yArr[i]
    if y>0:
        xPlotx.append(xArr[i][0])
        xPloty.append(xArr[i][1])
    else:
        xPlotx_.append(xArr[i][0])
        xPloty_.append(xArr[i][1])
plt.title('Perception 输入数据')
plt.grid(True)
pPlot1,pPlot2 = plt.plot(xPlotx,xPloty,'b+',xPlotx_,xPloty_,'rx')
plt.legend(handles = [pPlot1,pPlot2],labels=['Positive Sample','Negtive Sample'],loc='upper center')
plt.show()

输入10个散点图，显示全部离散数据点
机器学习

w = np.array([1,1])
b = 3
n = 1
while True:
    num = 0
    for i in range(len(datas)):
        num += 1
        x = xArr[i]
        y = yArr[i]
        z = y*(np.dot(w,x)+b)
        if z<=0 :
            w = w+n*y*x
            b = b+n*y
            break
    if num>=len(datas):
        break
fig = plt.figure('Output Figure')
x0 =np.linspace(0,5,100)
w0 = w[0]
w1 = w[1]
x1 = -(w0/w1)*x0-b/w1
plt.title("Perception 输出平面")
plt.xlabel('x0')
plt.ylabel('x1')
plt.annotate('Output Hyperplane',xy=(0.5,4.5),xytext=(1.7,3.5))
plt.plot(x0,x1,'k', lw=1)
pPlot3, pPlot4= plt.plot(xPlotx,xPloty,'b+',xPlotx_,xPloty_,'rx')
plt.legend(handles = [pPlot3,pPlot4],labels=['Positive Sample','Negative Sample'],loc='upper right')
plt.show()

输出获得的超平面S的方程w·x+b=0函数式
svg

四、小结

本次博客主要介绍了感知机模型的原始形式，另外感知机模型还有对偶形式的表达式，这里再也不介绍，感知机模型虽然简单，却有很重要的做用，后面咱们会讲到SVM支持向量机，理解了感知机模型原理后对后面理解SVM会有很大的帮助。函数