燕尾花感知机机学习python程序

以下是使用Python实现燕尾花感知机的简单示例代码：

import numpy as np

class Perceptron:
    def __init__(self, lr=0.01, epochs=1000):
        self.lr = lr
        self.epochs = epochs
        self.weights = None
        self.bias = None

    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.weights = np.zeros(n_features)
        self.bias = 0

        for _ in range(self.epochs):
            for i in range(n_samples):
                z = np.dot(self.weights, X[i]) + self.bias
                y_pred = np.where(z > 0, 1, 0)

                self.weights += self.lr * (y[i] - y_pred) * X[i]
                self.bias += self.lr * (y[i] - y_pred)

    def predict(self, X):
        z = np.dot(X, self.weights) + self.bias
        y_pred = np.where(z > 0, 1, 0)
        return y_pred

在这个示例中，我们使用了NumPy库来进行向量化计算，Perceptron类包含了fit和predict方法。fit方法用于训练模型，而predict方法用于对新数据进行预测。

我们可以使用sklearn库中的load_iris函数来加载燕尾花数据集，然后使用上述代码对数据进行训练和测试，示例如下：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载燕尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将类别0和类别1作为正样本，类别2作为负样本
X = X[:100]
y = y[:100]
y[y == 0] = -1

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练模型
model = Perceptron(lr=0.1, epochs=100)
model.fit(X_train, y_train)

# 测试模型
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)

在这个示例中，我们将类别0和类别1作为正样本，类别2作为负样本，然后划分训练集和测试集。我们使用Perceptron类对训练集进行训练，并对测试集进行预测，最后计算模型的准确率。