课本 46页 第4题

4.给定正样本 x 1 = ( 2 , 3 ) T x_1=(2,3)^T x1=(2,3)T, x 2 = ( 3 , 3 ) T x_2=(3,3)^T x2=(3,3)T,负样本 x 3 = ( 0 , 1 ) T x_3=(0,1)^T x3=(0,1)T。试用感知器准则进行分类。

解:

迭代过程:
分类过程

已知 y 1 = 1 , y 2 = 1 , y 3 = − 1 y_1=1,y_2=1,y_3=-1 y1=1,y2=1,y3=1.选学习率 η = 1 \eta=1 η=1,初值 w 0 = ( 1 , 1 ) T , b 0 = 0 w_0=(1,1)^T,b_0=0 w0=(1,1)T,b0=0.
x i x_i xi y i ( w ∗ x + b ) ≤ 0 y_i(w*x+b)\leq0 yi(wx+b)0wb判错
1 x 1 x_1 x1No-0
x 2 x_2 x2No-0
x 3 x_3 x3Yes w = w + y 3 x 3 = ( 1 , 0 ) T w=w+y_3x_3=(1,0)^T w=w+y3x3=(1,0)T-1 x 3 x_3 x3
2 x 1 x_1 x1No--1
x 2 x_2 x2No--1
x 3 x_3 x3No--1

所以 η = 1 , w = ( 1 , 0 ) T , b = − 1 \eta=1,w=(1,0)^T,b=-1 η=1,w=(1,0)T,b=1为一组解。

1. 使用欧式距离(L2距离)和两种特征进行分类实验

欧式距离 作为 K N N KNN KNN算法的距离计算公式,选花萼的长 、花萼的宽两种作为数据特征,进行 K N N KNN KNN算法分类。
自行选择一定比例将数据集分为训练集与测试集,考察欧式距离在两种特征下的分类准确率。

训练集与测试集比例:7:3

K K K值为3时:

实际分类[ 2 1 2 2 0 0 2 0 1 1 2 0 1 1 1 2 2 0 1 2 1 0 0 0 1 2 0 2 0 0 2 1 0 2 1 0 2 1 2 2 1 1 1 0 0]
预测分类[1 1 1 2 0 0 1 0 1 1 1 0 1 1 1 2 2 0 1 1 1 0 0 0 1 1 0 2 0 0 1 1 0 1 1 0 1 1 1 1 1 1 1 0 0]
预测准确率0.7555555555555555

对于不同的 K K K

K K K预测准确率
10.755556
40.777778
70.800000
100.800000
130.755556

运行结果:
在这里插入图片描述

2. 使用欧式距离(L2距离)和四种特征进行分类实验

欧式距离作为KNN算法的距离计算公式,使用花萼的长 、 花萼的宽 、花瓣的长和花瓣的宽作为数据特征,进行KNN算法分类。
自行选择一定比例将数据集分为训练集与测试集,考察欧式距离在四种特征下的分类准确率。
训练集与测试集比例:7:3

K K K值为3时:

实际分类[2 1 2 2 0 0 2 0 1 1 2 0 1 1 1 2 2 0 1 2 1 0 0 0 1 2 0 2 0 0 2 1 0 2 1 0 2 1 2 2 1 1 1 0 0]
预测分类[2 1 2 2 0 0 2 0 1 1 1 0 1 1 1 2 2 0 1 2 1 0 0 0 1 2 0 2 0 0 2 1 0 2 1 0 2 1 2 1 1 2 1 0 0]
预测准确率0.9333333333333333

对于不同的 K K K值:
在这里插入图片描述

3. 使用曼哈顿距离(L1距离)和四种特征进行分类实验

曼哈顿距离作为 K N N KNN KNN算法的距离计算公式,使用 花萼的长 、 花萼的宽 、 花瓣的长 和 花瓣的宽 作为数据特征,进行 K N N KNN KNN算法分类。

训练集与测试集比例:7:3

K K K值为3时:

实际分类[2 1 2 2 0 0 2 0 1 1 2 0 1 1 1 2 2 0 1 2 1 0 0 0 1 2 0 2 0 0 2 1 0 2 1 0 2 1 2 2 1 1 1 0 0]
预测分类[2 1 2 2 0 0 2 0 1 1 1 0 1 1 1 2 2 0 1 2 1 0 0 0 1 2 0 2 0 0 2 1 0 2 1 0 2 1 2 1 1 2 1 0 0]
预测准确率0.9333333333333333
K K K预测准确率
10.933333
40.955556
70.955556
100.955556
130.977778

运行结果:

在这里插入图片描述

c o d e : code: code:

import numpy as np
import pandas as pd
# 直接引入sklearn里的数据集,鸢尾花iris
from sklearn.datasets import load_iris
# 切分数据集为训练集和测试集
from sklearn.model_selection import train_test_split
# 计算分类预测的准确率
from sklearn.metrics import accuracy_score, classification_report

# TODO 0.数据加载和预处理
iris = load_iris()

df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['class'] = iris.target
df['class'] = df['class'].map({0: iris.target_names[0], 1: iris.target_names[1], 2: iris.target_names[2]})
# 调用对象的前n行对象
# print(df.head(3))
# 对象描述的信息 describe()
# print(df.describe())

# 拿出 x , y
x = iris.data
y = iris.target.reshape(-1, 1)
print(x.shape, y.shape)

# 划分训练集和测试集

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=35, stratify=y)

# TODO 1.核心算法实现
# 距离函数定义 l1:曼哈顿距离  l2:欧氏距离
def l1_distance(a, b):
    return np.sum(np.abs(a - b), axis=1)
def l2_distance(a, b):
    return np.sqrt(np.sum((a - b) ** 2, axis=1))

# TODO 2.分类器实现
class kNN(object):
    # 定义一个初始化方法,_init_ 是类的构造方法
    def __init__(self, n_neighbors=1, dist_func=l1_distance):
        self.n_neighbors = n_neighbors
        self.dist_func = dist_func

    # 训练模型方法
    def fit(self, x, y):
        self.x_train = x
        self.y_train = y

    # 模型预测方法
    def predict(self, x):
        # 初始化预测分类数组
        y_pred = np.zeros((x.shape[0], 1), dtype=self.y_train.dtype)
        # 遍历输入的x数据点,取出每一个数据点的序号和x_test
        for i, x_test in enumerate(x):
            # x_test和所有的训练数据计算距离
            distances = self.dist_func(self.x_train, x_test)
            # 得到的距离由近到远排序,取出索引值
            nn_index = np.argsort(distances)
            # 选取最近的K个点,保存他们的分类类别
            nn_y = self.y_train[nn_index[:self.n_neighbors]].ravel()
            # 统计类别中出现频率最高的那个,赋值给y_pred[i]
            y_pred[i] = np.argmax(np.bincount(nn_y))
        return y_pred

# TODO 3.测试
# 定义一个kNN 实例
print("-----测试 k=3 时-----")
knn = kNN(n_neighbors=3)
# 训练模型
knn.fit(x_train, y_train)
# 传入测试数据做预测
y_pred = knn.predict(x_test)
print(y_test.ravel())
print(y_pred.ravel())
# 求出预测准确率
accuracy = accuracy_score(y_test, y_pred)
print("预测准确率: ", accuracy)
print("----------------------------------------")
# 定义一个KNN实例
knn = kNN()
# 训练模型
knn.fit(x_train, y_train)
# 保存结果到list
result_list = []
knn.dist_func = l1_distance
# 考虑不同的k取值 , 步长为3
for k in range(1, 15, 3):
    knn.n_neighbors = k
    # 传入测试数据做预测
    print("k =",k,':')
    y_pred = knn.predict(x_test)
    print("实际分类:", y_test.ravel())
    print("预测分类:", y_pred.ravel())
    # 求出预测准确率
    accuracy = accuracy_score(y_test, y_pred)
    print("预测准确率: ", accuracy)
    result_list.append([k, 'l1_distance', accuracy])
    print("----------------------------------------")
df = pd.DataFrame(result_list, columns=['k', '距离函数', '预测准确率'])
print(df)
Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐