猫史档案馆

今天我们要写一个ai对鸢尾花进行分类。

已知鸢尾花的花瓣长和宽，判断它是普通鸢尾花还是变色鸢尾花。

首先，了我们要从sklearn读取鸢尾花的数据：(代码写上去没高亮太丑了,所以发图片）

center_image

并转化成列表。

center_image

红线上面的是鸢尾花的四个特征。分别是：花瓣长度，花瓣宽度，花萼长度，花萼宽度。

红线下面的是鸢尾花类别，有三种：0（普通鸢尾花），1（野生鸢尾花），-1（变色鸢尾花）

这次我们做二分类，所以删掉野生鸢尾花。并且删掉花萼长度，花萼宽度的数据，减少计算量，以便让萌新看起来更加直观。

center_image

然后我们看看这时数据的分布：

center_image

蓝色是变色鸢尾花，黄色是普通鸢尾花。分类器的任务就是给出数据集其中的一个点，分出他是变色鸢尾花还是普通鸢尾花。现在我们就要用到感知机算法：

定义三个变量:a=0,b=0,c=0

定义f(花瓣长度，花瓣宽度） = 花瓣长度*a + 花瓣宽度*b + c。然后根据返回值的正负性判断是普通鸢尾花还是变色鸢尾花。这里我们定义，如果返回值>=0,是变色鸢尾花，否则为普通鸢尾花。

当：a=4.469999999999985,b=-6.77999999999998,c=-3.3000000000000016时，分类器可以正好完美分辨出所有数据类别。那么如何才能让a,b,c的值变成上面这样呢？（一开始a,b,c都为0）

我们随机选取一个点，用现有的a,b,c预测一次(现在a,b,c都是0)。比如（7.7, 3）。那么f(7.7,3)=7.7 * 0 + 3 *0 + 0 = 0。这时f（7.7,7.3) = 0。

按照我们的定义，他是变色鸢尾花，但实际喵是普通鸢尾花。这时，我们就要调整a，b，c的值。

新a = a + learning_rate(这个值决定了训练的速度，你可以自己调整) * 数据的真实类别(因为是普通鸢尾花，所以是-1) * 花瓣长度

新b = b + learning_rate(这个值决定了训练的速度，你可以自己调整) * 数据的真实类别(因为是普通鸢尾花，所以是-1) * 花瓣宽度

新c = c + learning_rate(这个值决定了训练的速度，你可以自己调整) * 数据的真实类别(因为是普通鸢尾花，所以是-1)

center_image

lr就是学习率，这里我设置的是0.1。

训练完后测试模型：

center_image

结果：

center_image

四九圣尊

附上全部代码：

from sklearn.datasets import load_iris
from matplotlib import pyplot as plt
#装载数据
data_f = load_iris()
data = data_f.data
target = data_f.target.tolist()
data = [x.tolist() for x in data]
print(data)
print(target)
#数据预处理
del target[90:150]#删掉标签为2的数据
del data[90:150]
for i in range(len(target)):#替换标签
    if target[i] == 0:
        target[i] = -1
print(target)
for i in range(len(data)):#删除后两个特征
    del data[i][2:4]
#画图
data_x = []
data_y = []
for i in data:
    data_x.append(i[0])
for i in data:
    data_y.append(i[1])
plt.scatter(data_x[0:50],data_y[0:50])
plt.scatter(data_x[51:90],data_y[51:90])
plt.show()
#感知机算法
a1 = 1
a2 = 3
b = 1
lr = 0.1
def predict(x,y):
    return a1*x + a2*y +b

for i in range(150):
    for i in range(len(data)):
        true = target[i]
        prediction = predict(data[i][0],data[i][1])
        if true == -1 and prediction >= 0:
            a1 = a1 + lr*true*data[i][0]
            a2 = a2 + lr*true*data[i][1]
            b = b+lr*true
        if true == 1 and prediction <0:
            a1 = a1 + lr*true*data[i][0]
            a2 = a2 + lr*true*data[i][1]
            b = b+lr*true

right = 0
for i in range(len(data)):
    true_test = target[i]
    c_r = predict(data[i][0],data[i][1])
    print("分类器返回：%s"%(c_r))
    if c_r >= 0 and true_test == 1:
        right += 1
    if c_r < 0 and true_test == -1:
        right += 1

print("正确率为;%s/%s"%(right,len(target)))
print("计算函数为：%s * x + %s * y + %s"%(a1,a2,b))