plt.plot(x_points,fit_func(p_lsq[0],x_points),label='fitted curve')

result = leastsq(residuals_func, initial_params, args=(x_data, y_data))

regularization=0.00001  #较小的λ值意味着正则化作用较弱，模型可能仍然会过拟合；较大的λ值则可能导致模型欠拟合。

简单方法：

1.plt.rcParams['axes.unicode_minus'] = False

这行代码用于解决Matplotlib在绘制图表时，负号（-）显示为方块或乱码的问题。

强制Matplotlib使用直线来表示负号

 2.plt.rcParams['font.sans-serif']=['SimHei']

这行代码的作用是设置Matplotlib中默认的无衬线字体（sans-serif）为“SimHei”（黑体）

3.在 scikit-learn 库中，Perceptron 类是一个用于二分类任务的线性分类器。它是基于感知机学习算法实现的，该算法是一种简单的线性分类算法，旨在找到一个能够将不同类别的数据点分开的超平面（在二维空间中是一条直线，在三维空间中是一个平面，以此类推）。

4.fit_intercept=True：这个参数指定是否应该计算截距项（即偏置项），提高灵活性

5.max_iter=1000：这个参数指定了算法收敛的最大迭代次数。

6.tol=None：这个参数指定了算法收敛的容忍度。如果权重更新的变化量小于这个值，则算法认为已经收敛，并停止迭代。在您的代码中，tol 被设置为 None，这意味着将使用 scikit-learn 的默认容忍度值。

手动实现：

1.y 是从 df 的最后一列（即原始的 Iris 标签，经过转换后变为 1 和 -1）中提取的。

X 是从 df（一个包含 Iris 数据集前 100 个样本的 DataFrame）中提取的，具体是前两列（花萼长度和花萼宽度）

import pandas as pd
import numpy as np
import sklearn.datasets
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt#导入数据
iris=load_iris()
df=pd.DataFrame(iris.data,columns=iris.feature_names)
df['label']=iris.target
df.columns=['sepal length','sepal width','petal length','petal width','label']
df.label.value_counts()#绘制散点图
plt.scatter(df[:50]['sepal length'],df[:50]['sepal width'],label='0')
plt.scatter(df[50:100]['sepal length'],df[50:100]['sepal width'],label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
plt.show()#数据准备
data=np.array(df.iloc[:100,[0,1,-1]])
X,y=data[:,:-1],data[:,-1]  #X是前两列，y是最后一列
y=np.array([1 if i==1 else -1 for i in y])#感知机模型
class Model:#初始化权重和偏置def __init__(self):self.w=np.ones(len(data[0])-1,dtype=np.float32)self.b=0self.lr=0.1#定义sign函数def sign(self,x,w,b):y=np.dot(x,w)+breturn y#训练模型def fit(self,X_train,y_train):is_wrong=Falsewhile not is_wrong:wrong_count=0for d in range(len(X_train)):X=X_train[d]y=y_train[d]if y*self.sign(X,self.w,self.b)<=0: #sign函数作用是计算wx+b的值self.w=self.w+self.lr*np.dot(y,X)self.b=self.b+self.lr*ywrong_count+=1if wrong_count==0:is_wrong=Truereturn 'Perceptron Model!'#训练模型
perceptron=Model()
perceptron.fit(X,y)#绘制分类图
X_points=np.linspace(4,7,10)
y_ = -(perceptron.w[0] *X_points + perceptron.b) / perceptron.w[1] 
plt.plot(X_points,y_)
plt.plot(data[:50,0],data[:50,1],'bo',color='blue',label='0')
plt.plot(data[50:100,0],data[50:100,1],'bo',color='orange',label='1')
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
plt.show()

 

#丰富图案,采用内置函数perceptron
import sklearn
from sklearn.linear_model import Perceptronsklearn.__version__clf = Perceptron(fit_intercept=True,    max_iter=1000,tol=None,shuffle=True)
clf.fit(X, y)# 画布大小
plt.figure(figsize=(10,10))# 中文标题
plt.rcParams['font.sans-serif']=['SimHei']  #rc
plt.rcParams['axes.unicode_minus'] = False
plt.title('鸢尾花线性数据示例')plt.scatter(data[:50, 0], data[:50, 1], c='b', label='Iris-setosa',)
plt.scatter(data[50:100, 0], data[50:100, 1], c='orange', label='Iris-versicolor')# 画感知机的线
x_ponits = np.arange(4, 8)
y_ = -(clf.coef_[0][0]*x_ponits + clf.intercept_)/clf.coef_[0][1]
plt.plot(x_ponits, y_)# 其他部分
plt.legend()  # 显示图例
plt.grid(False)  # 不显示网格
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.legend()
plt.show()

import numpy as np
import scipy as sp  # 导入scipy库，用于科学计算
from scipy.optimize import leastsq  # 导入最小二乘法函数
import matplotlib.pyplot as pltregularization=0.00001  #较小的λ值意味着正则化作用较弱，模型可能仍然会过拟合；较大的λ值则可能导致模型欠拟合。def real_func(x):return np.sin(2*np.pi*x)
def fit_func(p,x):f=np.poly1d(p)return f(x)
def residuals_func(p,x,y):return fit_func(p,x)-y
def residuals_func_regularization(p,x,y):ret=fit_func(p,x)-yret=np.append(ret,np.sqrt(0.5*regularization*np.square(p)))return retx=np.linspace(0,1,10)
x_points=np.linspace(0,1,1000)
y_=real_func(x)
y=[np.random.normal(0,0.1)+y1 for y1 in y_]
def fitting(M=0):p_init=np.random.rand(M+1)p_lsq=leastsq(residuals_func,p_init,args=(x,y))p_lsq_regularization=leastsq(residuals_func_regularization,p_init,args=(x,y))print('Fitting Parameters:',p_lsq[0])   #p_lsq[0]输出拟合参数,p_lsq[1]输出协方差矩阵plt.plot(x_points,real_func(x_points),label='real') #real_func(x_points)为真实值,x_points为x轴plt.plot(x_points,fit_func(p_lsq[0],x_points),label='fitted curve') #fit_func(p_lsq[0],x_points)为拟合值plt.plot(x_points,fit_func(p_lsq_regularization[0],x_points),label='regularization') #fit_func(p_lsq[0],x_points)为拟合值plt.plot(x,y,'bo',label='noise') #y为带噪声的真实值plt.legend()plt.show()return p_lsqp_lsq_0=fitting(M=0) #M=0表示多项式的次数为0
p_lsq_1=fitting(M=1) #M=1表示多项式的次数为1
p_lsq_3=fitting(M=3) #M=3表示多项式的次数为3
p_lsq_9=fitting(M=9) #M=9表示多项式的次数为9