Python機械学習プログラミング 達人データサイエンティストによる理論と実践 part. 1
Python機械学習プログラミング 達人データサイエンティストによる理論と実践
第2章
パーセプトロンの学習規則
入力 に対応する重み の線形結合 を総入力と呼びます.
重みの更新は,訓練データ 毎に行います.
perceptron.py
import numpy as np class Perceptron(object): """パーセプトロンの分類機 Parameters ------ eta : float 学習率 (0.0より大きく1.0以下の値) パーセプトロンの収束が保証されるのは学習率が十分に小さいとき n_iter : int 訓練データの訓練回数 random_state : int 重みを初期化するための乱数シード Attributes ------ w_ : 1次元配列 適合後の重み errors_ : list 各エポックでのご分類の数 """ def __init__(self, eta=0.01, n_iter=50, random_state=1): self.eta = eta self.n_iter = n_iter self.random_state = random_state def fit(self, X, y): """ 訓練データに適合させる Parameters ------ X : list, shape = [n_examples, n_features] 訓練データ y : list, shape = [n_examples] 目的変数 Return ------ self : object """ rgen = np.random.RandomState(self.random_state) self.w_ = rgen.normal(loc=0.0, scale=0.01, size=1 + X.shape[1]) self.error_ = [] for _ in range(self.n_iter): errors = 0 for xi, target in zip(X, y): update = self.eta * (target - self.predict(xi)) self.w_[1:] += update * xi self.w_[0] += update errors += int(update != 0.0) self.error_.append(errors) return self def net_input(self, X): """総入力を計算""" return np.dot(X, self.w_[1:]) + self.w_[0] def predict(self, X): """1ステップ後のクラスラベルを返す""" return np.where(self.net_input(X) >= 0.0, 1, -1)
アイリスの分類
アイリスと聞くと光彩を思い浮かべましたが,どうやら花のようです.
import os import pandas as pd from matplotlib import pyplot as plt import numpy as np path = os.path.join('D:\\Book\\python-machine-learning-book-3rd-edition-master\\ch02\\', 'iris.data') print(path) df = pd.read_csv(path, header=None, encoding='utf-8') print(df.tail()) y = df.iloc[0:100, 4].values y = np.where(y == 'Iris-setosa', -1, 1) X = df.iloc[0:100, [0, 2]].values plt.scatter(X[:50, 0], X[:50, 1], color='red', marker='o', label='setosa') plt.scatter(X[50:100, 0], X[50:100, 1], color='blue', marker='x', label='versicolor') plt.xlabel('sepal length [cm]') plt.ylabel('petal length [cm]') plt.legend(loc='upper left') plt.show()
散布図から分かるようにこのデータをもとにパーセプトロンによる分類を行うことができそうです.線形分離可能なことが視覚的に分かるということです.
学習結果
ppn = perceptron.Perceptron(eta=0.1, n_iter=10) ppn.fit(X, y) plt.plot(range(1, len(ppn.errors_) + 1), ppn.errors_, marker='o') plt.xlabel('Epochs') plt.ylabel('Number of updates') plt.show()
感想
同じデータを繰り返して学習する必要あるのかなと思ったけど,線形分類不可能なときは重みが収束しないので回数を決める必要があるみたいですね.