第1关：感知机 - 西瓜好坏自动识别

1. 感知机原理简介

1.1 举例

这里，我们利用西瓜书上的例子来构造数据，实例中包括特征和类别。一共构造了帮助预测的特征一共有 30 个：色泽、根蒂、敲声等等。类别为是好瓜与不是好瓜。部分数据如下：

由于我们的模型只能对数字进行计算。所以，我们用x1表示色泽，x2表示根蒂，x3表示敲声 。y 表示类别。其中，x1 = 0，表示青绿，x2 = 2，表示稍蜷， y=-1，表示不是好瓜。具体如下图：

而我们的任务就是，用感知机算法建立一个模型，利用训练集上的数据对模型进行训练，并对测试集上的数据进行分类。

1.2 数学原理/公式

我们知道神经网络是由一个个的神经元所组成的，我们知道了神经元的工作原理，就能帮助我们理解神经网络是如何工作的了。上个世纪六十年代，提出了最早的“人造神经元”模型，叫做“感知机”，直到今天还在用。感知机与逻辑回归一样，也是一个二分类模型，那么它又是如何进行预测的呢？

假如，我们希望构建一个感知机模型，根据色泽、根蒂、敲声这三个特征来判断是好瓜还是坏瓜。

比如说，输入的特征值分别是青绿，蜷缩，浊响对应特征向量为 (0,0,0)。感知机模型会将每一个特征值xi乘以一个对应的权重wi ，再加上一个偏置 b，所得到的值如果大于等于 0，则判断为 +1 类别，即为好瓜，如果得到的值小于 0，则判断为 -1 类别，即不是好瓜。数学模型如下：

我们能否正确对西瓜好坏进行预测，完全取决于权重与偏置的值是否正确，那么如何找到正确的参数呢？方法与逻辑回归相似，这里就不重复叙述，唯一不同的就是感知机模型所用的损失函数。

那么，感知机使用的损失函数是怎么样的呢？
感知机采用的损失函数最初采用的是误分类点到决策边界的距离为：

又因为：

• 1/||w|| 不影响 -y(w.x+b) 正负的判断，我们只需要判断 -y(wx+b） 的正负来判断分类的正确与否。所以 1/||w|| 对感知机学习算法的中间过程可有可无。
• 1/||w|| 不影响感知机学习算法的最终结果。因为感知机学习算法最终的终止条件是所有的输入都被正确分类，即不存在误分类的点。则此时损失函数为 0。对应于 -y（wx+b）/||w|| ，即分子为 0。则可以看出 1/||w|| 对最终结果也无影响。所以最后采用的损失函数为：

1.3 算法流程

感知机只针对误分类的点对参数进行更新，算法流程如下：

1. 选取初始值 w0 ,b0 ；
2. 在训练集中选取数据xi ,yi ；
3. 如果yi (w.xi +b)≤0，即这个点为误分类点，则进行如下更新(η为学习率，为0到1之间的值)：
4. 重复 2，3 直到训练集中没有误分类点

2. 实现代码

#encoding=utf8
import numpy as np
#构建感知机算法
class Perceptron(object):def __init__(self, learning_rate = 0.01, max_iter = 200):self.lr = learning_rateself.max_iter = max_iterdef fit(self, data, label):'''input:data(ndarray):训练数据特征label(ndarray):训练数据标签output:w(ndarray):训练好的权重b(ndarry):训练好的偏置'''# 编写感知机训练方法，w为权重，b为偏置self.w = np.array([1.]*data.shape[1])self.b = np.array([1.])# 选择初值w0,b0# 当shape[0]时，得到的是矩阵的行数# 当shape[1]时，得到的是矩阵的列数# [1.] == [1.0] 数据集的每一项变成浮点数吗？然后在转换为ndarry？#********* Begin *********#i = 0while i < self.max_iter:flag = Truefor j in range(len(label)):if label[j] * (np.inner(self.w, data[j]) + self.b) <= 0:flag = Falseself.w += self.lr * (label[j] * data[j])self.b += self.lr * label[j]if flag: breaki+=1#********* End *********#def predict(self, data):'''input:data(ndarray):测试数据特征output:predict(ndarray):预测标签'''#********* Begin *********#y = np.inner(data, self.w) + self.b# np.inner(a,b) 两个数组的内积for i in range(len(y)): # range(0,6) # print(list(range(0,6))) --> [0, 1, 2, 3, 4, 5]if y[i] >= 0:y[i] = 1else:y[i] = -1predict = y#********* End *********#return predict

第2关：scikit-learn感知机实践 - 癌细胞精准识别

1. 数据集介绍及使用

乳腺癌数据集，其实例数量是 569，实例中包括诊断类和属性，帮助预测的属性一共 30 个，各属性包括为 radius 半径（从中心到边缘上点的距离的平均值）， texture 纹理（灰度值的标准偏差）等等，类包括：WDBC-Malignant 恶性和 WDBC-Benign 良性。用数据集的 80% 作为训练集，数据集的 20% 作为测试集，训练集和测试集中都包括特征和诊断类。

想要使用该数据集可以使用如下代码：

import pandas as pd
#获取训练数据
train_data = pd.read_csv('./step2/train_data.csv')
#获取训练标签
train_label = pd.read_csv('./step2/train_label.csv')
train_label = train_label['target']
#获取测试数据
test_data = pd.read_csv('./step2/test_data.csv')

数据集中部分数据与标签如下图所示：

2. 使用 sklearn.Perceptron 方法实现感知机算法

在 sklearn 中，使用 Perceptron 方法实现感知机算法，Perceptron 的构造函数中有两个常用的参数可以设置：

• eta0：学习率大小，默认为 1.0 ；
• max_iter：最大训练轮数。

和 sklearn 中其他分类器一样， Perceptron 类中的 fit 函数用于训练模型， fit 函数有两个向量输入：

• X ：大小为 [样本数量,特征数量] 的 ndarray，存放训练样本；
• Y ：值为整型，大小为 [样本数量] 的 ndarray，存放训练样本的分类标签。

Perceptron 类中的 predict 函数用于预测，返回预测标签， predict 函数有一个向量输入：

• X ：大小为[样本数量,特征数量]的 ndarray ，存放预测样本。

Perceptron 的使用代码如下：

from sklearn.linear_model.perceptron import Perceptron
clf = Perceptron()
clf.fit(X_train, Y_train)
result = clf.predict(X_test)

3.题目编程要求

在 begin-end 之间补充代码，使用 sklearn 构建感知机模型，利用训练集数据与训练标签对模型进行训练，然后使用训练好的模型对测试集数据进行预测，并将预测结果保存到./step2/result.csv中。保存格式如下：

测试说明：我们会获取你的预测结果与真实标签对比，预测正确率高于 90% 视为过关。

4. 实现代码

#encoding=utf8
import osif os.path.exists('./step2/result.csv'):os.remove('./step2/result.csv')#********* Begin *********#import pandas as pd
#获取训练数据
train_data = pd.read_csv('./step2/train_data.csv')
#获取训练标签
train_label = pd.read_csv('./step2/train_label.csv')
train_label = train_label['target']# 取标签为target的一列
#获取测试数据
test_data = pd.read_csv('./step2/test_data.csv')from sklearn.linear_model.perceptron import Perceptron
clf = Perceptron(eta0 = 0.01,max_iter = 200)
# 如果采用默认参数，预测正确率仅50%，不能达到过关标准
# 0.01,200的参数设置是参照感知机第一关设计
# max_iter = 1000,eta0 = 0.1, random_state = 666 为另一种参数设置参考
# 上述两种都可过关
clf.fit(train_data, train_label)
result = clf.predict(test_data)frameResult = pd.DataFrame({'result':result})
frameResult.to_csv('./step2/result.csv', index = False)#********* End *********## pandas的I/O API是一组read函数，
# 比如pandas.read_csv() (opens new window)函数。
# 这类函数可以返回pandas对象。
# 相应的write函数是像DataFrame.to_csv() (opens new window)一样的对象方法。

5. sklearn.Perceptron方法详述

英语好的直接看这个：官方手册

英语不好的看这个：面向csdn学习

本次实验中会涉及的相关知识点：

5.1 参数提及

参数名称	参数取值	参数解释	通俗解释
max_iter	int整数，默认=1000	最大迭代次数，哪怕损失函数依旧大于0	梯度下降(寻找最优解的方法之一)时迭代的次数
eta0	取值双精度浮点型double，默认=1	学习率，决定梯度下降时每次参数变化的幅度	theta改变式子中的alpha学习捋？我猜的
shuffle	bool值，默认=True	每轮训练后是否打乱数据	结合下面这个参数一起看
random_state	取值为int, RandomState instance or None，默认=None	当 shuffle =True时，用于打乱训练数据	结合上面这个参数一起看

5.2 梯度下降法简单介绍

学习率：

• 如果α大小，结果是它一点一点的挪动，非常的缓慢，需要很多步才能到达全局最低点。

• 如果α太大，那么梯度下降法可能会越过最低点，甚至可能无法收敛乃至发散。知道你发现实际上离最低点越来越远。

• 如果θ1初始化在局部最低点，在这儿，它已经在一个局部的最优处或局部最低点。结果是此处的导数是0，那么θ1将不会变，一直是原来的那个θ1，这也解释了为什么即使学习速率α不变时，梯度下降法也可以收敛局部最低点。

学习率换一种说法解释：

• 梯度下降算法每次迭代受到α的影响
• 如果α过小，则达到收敛所需的跌打次数将很大；
• 如果α过大，每次迭代可能不会减小代价函数的值，反而会远离局部最小值导致无法收敛。
• 通常可以考虑的下面这些学习率
• α = 0.01，0.03，0.1，0.3，1，3，10
  
  迭代次数与学习率密切相关。

个人感觉，shuffle打乱数据是为了减少数据顺序导致的运算结果偶然性，类似如下二图：

一种下山情况：

另一种下山情况：