[PYTHON] Apprentissage automatique _ Rendre le perceptron simple non linéaire
Envisagez d'effectuer une classification binaire du vecteur d'entrée $ \ textbf {x} = (x_1, x_2, \ cdots, x_N) $ en utilisant la fonction $ f (\ textbf {x}) $ définie par l'équation suivante. ..
f(\textbf{x}) = \phi(\sum_{p=1}^{P} \sum_{n=1}^{N} w_{n,p} \, {x_n} ^p + w_{0})\\
\\
\phi(y) =
\left\{
\begin{array}{l}
1 \quad (y \geq 0) \\
-1 \quad (otherwise)
\end{array}
\right.
Où $ w_ {n, p} $ est le paramètre de poids, $ N $ est la dimension du vecteur d'entrée $ \ textbf {x} $, et $ P $ est l'ordre du polypole. Le paramètre de poids $ w_ {n, p} $ est erreur quadratique moyenne
l(\textbf{W}) = \sum_{i=1}^{I} (y_i - f(\textbf{x}_i))^2
[Méthode de descente de gradient probabiliste](https://ja.wikipedia.org/wiki/%E7%A2%BA%E7%8E%87%E7%9A%84%E5%8B%BE%E9%85% Il est obtenu en minimisant avec 8D% E9% 99% 8D% E4% B8% 8B% E6% B3% 95). Un exemple de la formule de mise à jour du paramètre de poids $ w_ {n, p} $ pendant l'entraînement est illustré ci-dessous.
w_{0} \leftarrow w_{0} + \eta \sum_{i=1}^{I} (y_i - f(\textbf{x}_i)) \\
w_{n,p} \leftarrow w_{n,p} + \eta \sum_{i=1}^{I} ((y_i - f(\textbf{x}_i)) ( \sum_{n=1}^{N} {x_{n,i}} \, ^{p} ))
$ \ Eta $ est le taux d'apprentissage, $ (\ textbf {x} _i, y_i) $ est la $ i $ ème donnée de l'enseignant et $ I $ est la taille du lot.
Lorsque $ P = 1 $, la fonction $ f (\ textbf {x}) $ correspond au bien connu Simple Perceptron et à la fonction $ Ce qui est entré dans \ phi $ est une fonction linéaire de $ \ textbf {x} $. D'un autre côté, lorsque $ P> 1 $, la fonction $ \ phi $ est entrée dans le polypoly $ \ textbf {x} $, pas une fonction linéaire. En augmentant l'ordre $ P $, la non-linéarité de la fonction $ f (\ textbf {x}) $ peut être renforcée. La fonction $ f (\ textbf {x}) $ est considérée comme une version non linéaire de Simple Perceptron.
Afin de voir l'effet de la commande $ P $, nous nous sommes entraînés à l'aide du jeu de données Iris et avons visualisé les résultats de la classification. Les résultats expérimentaux sont présentés ci-dessous.
Le linéaire est le résultat lorsque l'ordre $ P = 1 $ (perceptron simple), et les poly2 et poly3 sont les résultats lorsque l'ordre $ P = 2 $ et $ P = 3 $. On voit qu'en augmentant la commande $ P $, il devient possible de gérer des classifications compliquées.
Voici le code source utilisé dans l'expérience.
MyClass.py
import numpy as np
from numpy.random import *
class MyClass(object):
def __init__(self, eta=0.01, n_iter=10, shuffle=True, random_state=None, model='linear'):
self.eta = eta
self.n_iter = n_iter
self.w_initialized = False
self.shuffle = shuffle
self.model=model
if random_state:
seed(random_state)
def fit(self, X, y):
self._initialize_weights(X.shape[1])
self.cost_ = []
for i in range(self.n_iter):
if self.shuffle:
X, y = self._shuffle(X, y)
cost = []
for xi, target in zip(X, y):
cost.append(self._update_weights(xi, target))
avg_cost = sum(cost) / len(y)
self.cost_.append(avg_cost)
return self
def _shuffle(self, X, y):
r = np.random.permutation(len(y))
return X[r], y[r]
def _initialize_weights(self, m):
self.w1 = randn(m)
self.w2 = randn(m)
self.w3 = randn(m)
self.b = randn(1)
self.w_initialized = True
def _update_weights(self, xi, target):
output = self.activation(xi)
error = (target - output)
if self.model == 'linear':
self.w1 += self.eta * xi * error
elif self.model == 'poly2':
self.w1 += self.eta * xi * error
self.w2 += self.eta * (xi**2) * error
elif self.model == 'poly3':
self.w1 += self.eta * xi * error
self.w2 += self.eta * (xi**2) * error
self.w3 += self.eta * (xi**3) * error
self.b += self.eta * error
cost = 0.5 * error**2
return cost
def activation(self, X):
if self.model == 'linear':
return np.dot(X, self.w1) + self.b
elif self.model == 'poly2':
return np.dot(X, self.w1) + np.dot((X**2), self.w2) + self.b
elif self.model == 'poly3':
return np.dot(X, self.w1) + np.dot((X**2), self.w2) + np.dot((X**3), self.w3) + self.b
def predict(self, X):
return np.where(self.activation(X) >= 0.0, 1, -1)
plot_decision_regions.py
import numpy as np
import matplotlib.pyplot as plt
def plot_decision_regions(X, y, classifier, resolution=0.02):
'''
https://github.com/rasbt/python-machine-learning-book/tree/master/code/ch02
'''
# setup marker generator and color map
markers = ('o', 's', 'x', '^', 'v')
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
cmap = ListedColormap(colors[:len(np.unique(y))])
# plot the decision surface
x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
np.arange(x2_min, x2_max, resolution))
Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
Z = Z.reshape(xx1.shape)
plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap)
plt.xlim(xx1.min(), xx1.max())
plt.ylim(xx2.min(), xx2.max())
# plot class samples
for idx, cl in enumerate(np.unique(y)):
plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1],
alpha=0.9, c=cmap(idx), s=100,
edgecolor='black',
marker=markers[idx],
label=cl)
main.py
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from numpy.random import *
from MyClass import MyClass
from plot_decision_regions import plot_decision_regions
# load dataset
df = pd.read_csv('https://archive.ics.uci.edu/ml/'
'machine-learning-databases/iris/iris.data', header=None)
df.tail()
# select setosa and versicolor
y = df.iloc[0:100, 4].values
y = np.where(y == 'Iris-setosa', -1, 1)
# extract x and y
X = df.iloc[0:100, [0,1]].values
# normarize X
X_std = np.copy(X)
X_std[:, 0] = (X[:, 0] - X[:, 0].mean()) / X[:, 0].std()
X_std[:, 1] = (X[:, 1] - X[:, 1].mean()) / X[:, 1].std()
model_names = ['linear', 'poly2', 'poly3']
for model in model_names:
# import model
ada = MyClass(n_iter=50, eta=0.01, random_state=1, model=model)
# fitting
ada.fit(X_std, y)
# predict & plot
plot_decision_regions(X_std, y, classifier=ada)
plt.title(model)
plt.xlabel('x [normarized]')
plt.ylabel('y [normarized]')
plt.legend(loc='upper left')
plt.tight_layout()
plt.savefig(model + '.png', dpi=300)
plt.show()
del ada
référence:
https://github.com/rasbt/python-machine-learning-book
Fais toi!
Recommended Posts