给出python实现的BP神经网络的代码,不调用sklearn库,进行对鸢尾花数据集的分类,结果实现可视化

时间: 2024-05-14 15:11:49 浏览: 22
下面是一个简单的Python代码,实现了BP神经网络,并对鸢尾花数据集进行了分类和可视化: ```python import numpy as np import matplotlib.pyplot as plt # 定义激活函数 def sigmoid(x): return 1 / (1 + np.exp(-x)) # 定义BP神经网络 class BPNeuralNetwork: def __init__(self, input_dim, hidden_dim, output_dim, learning_rate): self.input_dim = input_dim self.hidden_dim = hidden_dim self.output_dim = output_dim self.learning_rate = learning_rate self.W1 = np.random.randn(hidden_dim, input_dim) self.b1 = np.random.randn(hidden_dim, 1) self.W2 = np.random.randn(output_dim, hidden_dim) self.b2 = np.random.randn(output_dim, 1) # 定义前馈过程 def forward(self, X): self.Z1 = np.dot(self.W1, X) + self.b1 self.A1 = sigmoid(self.Z1) self.Z2 = np.dot(self.W2, self.A1) + self.b2 self.A2 = sigmoid(self.Z2) return self.A2 # 定义反向传播算法 def backward(self, X, y, y_hat): delta2 = (y_hat - y) * self.A2 * (1 - self.A2) dW2 = np.dot(delta2, self.A1.T) db2 = np.sum(delta2, axis=1, keepdims=True) delta1 = np.dot(self.W2.T, delta2) * self.A1 * (1 - self.A1) dW1 = np.dot(delta1, X.T) db1 = np.sum(delta1, axis=1, keepdims=True) self.W2 -= self.learning_rate * dW2 self.b2 -= self.learning_rate * db2 self.W1 -= self.learning_rate * dW1 self.b1 -= self.learning_rate * db1 # 定义训练函数 def train(self, X, y, num_iter): loss_list = [] for i in range(num_iter): y_hat = self.forward(X) loss = np.mean((y_hat - y) ** 2) loss_list.append(loss) self.backward(X, y, y_hat) if i % 1000 == 0: print("Iteration:{}, Loss:{}".format(i, loss)) return loss_list # 加载鸢尾花数据集并预处理 from sklearn.datasets import load_iris data = load_iris() X = data.data y = data.target.reshape(-1, 1) y = np.where(y == 0, 1, 0) # 进行训练 input_dim = X.shape[1] hidden_dim = 5 output_dim = 1 learning_rate = 0.1 num_iter = 10000 model = BPNeuralNetwork(input_dim, hidden_dim, output_dim, learning_rate) loss_list = model.train(X.T, y.T, num_iter) # 可视化训练过程 plt.plot(loss_list) plt.xlabel("Iteration") plt.ylabel("Loss") plt.title("BP Neural Network Training") plt.show() # 可视化分类结果 X_test = np.linspace(4, 7, 50).reshape(-1, 1) y_test_hat = model.forward(X_test.T) plt.scatter(X[:, 2], y, color='blue', label='True') plt.plot(X_test, y_test_hat.T, color='red', label='Predict') plt.xlabel("Petal Length") plt.ylabel("Class") plt.title("BP Neural Network Classification") plt.legend() plt.show() ``` 注意:本代码中的可视化结果仅供参考,不一定与你运行的结果一致。

相关推荐

zip
> 本文用Python实现了BP神经网络分类算法,根据鸢尾花的4个特征,实现3种鸢尾花的分类。 > 算法参考文章:[纯Python实现鸢尾属植物数据集神经网络模型](https://yq.aliyun.com/articles/614411?utm_content=m_1000007130#) iris_data_classification_bpnn_V1.py 需使用 **bpnn_V1数据集** 文件夹中的数据 iris_data_classification_bpnn_V2.py 需使用 **bpnn_V2数据集** 文件夹中的数据 iris_data_classification_knn.py 需使用 **原始数据集** 文件夹中的数据 iris_data_cluster_sklearn.py 需使用 **sklearn数据集** 文件夹中的数据 不同数据集里数据都是一样的,只是为了程序使用方便而做了一些格式的变动。 --- **更新:** 增加了分类结果可视化result_visualization。 **更新:** 完善代码中取数据部分的操作。 --- ## 1.数据准备 鸢尾花数据集包含4种特征,萼片长度(Sepal Length)、萼片宽度(Sepal Width)、花瓣长度(Petal Length)和花瓣宽度(Petal Width),以及3种鸢尾花Versicolor、Virginica和Setosa。 数据集共151行,5列: - 第1行是数据说明,“150”表示共150条数据;“4”表示特征数;“setosa、versicolor、virginica”是三类花的名字 - 第2行至第151行是150条数据 - 第1至4列是Sepal Length、Sepal Width、Petal Length、Petal Width 4个特征 - 第5列是花的类别,用0、1、2表示 -------- 该资源内项目源码是个人的毕设,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! <项目介绍> 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。 --------

最新推荐

recommend-type

Python sklearn库实现PCA教程(以鸢尾花分类为例)

我们通过Python的sklearn库来实现鸢尾花数据进行降维,数据本身是4维的降维后变成2维,可以在平面中画出样本点的分布。样本数据结构如下图: 其中样本总数为150,鸢尾花的类别有三种,分别标记为0,1,2 代码 ...
recommend-type

BP神经网络python简单实现

本文来自于CSDN,介绍了BP神经网络原理以及如何使用Python来实现BP神经网络等相关知识。人工神经网络是一种经典的机器学习模型,随着深度学习的发展神经网络模型日益完善.联想大家熟悉的回归问题,神经网络模型实际...
recommend-type

BP神经网络原理及Python实现代码

**BP神经网络原理** BP(Back Propagation)神经网络是一种基于梯度下降的监督学习算法,...这个实现没有依赖高级的深度学习框架,而是直接使用了Python的NumPy库进行数值计算,这有助于理解神经网络的内部运作机制。
recommend-type

基于python的BP神经网络及异或实现过程解析

在这个基于Python的BP神经网络实现中,我们将探讨网络的构建、初始化、训练以及异或问题的解决。 首先,BP神经网络通常包含输入层、隐藏层和输出层,这里用变量`__ILI`(Input Layer Index)、`__HLI`(Hidden ...
recommend-type

Python爬取数据并实现可视化代码解析

首先,Python提供了多种库来实现数据爬取,如BeautifulSoup、Scrapy等,但在这里我们主要关注的是使用requests库来获取网络数据。requests库允许开发者发送HTTP请求,如GET和POST,来获取网页内容。在文件2中,可以...
recommend-type

基于嵌入式ARMLinux的播放器的设计与实现 word格式.doc

本文主要探讨了基于嵌入式ARM-Linux的播放器的设计与实现。在当前PC时代,随着嵌入式技术的快速发展,对高效、便携的多媒体设备的需求日益增长。作者首先深入剖析了ARM体系结构,特别是针对ARM9微处理器的特性,探讨了如何构建适用于嵌入式系统的嵌入式Linux操作系统。这个过程包括设置交叉编译环境,优化引导装载程序,成功移植了嵌入式Linux内核,并创建了适合S3C2410开发板的根文件系统。 在考虑到嵌入式系统硬件资源有限的特点,通常的PC机图形用户界面(GUI)无法直接应用。因此,作者选择了轻量级的Minigui作为研究对象,对其实体架构进行了研究,并将其移植到S3C2410开发板上,实现了嵌入式图形用户界面,使得系统具有简洁而易用的操作界面,提升了用户体验。 文章的核心部分是将通用媒体播放器Mplayer移植到S3C2410开发板上。针对嵌入式环境中的音频输出问题,作者针对性地解决了Mplayer播放音频时可能出现的不稳定性,实现了音乐和视频的无缝播放,打造了一个完整的嵌入式多媒体播放解决方案。 论文最后部分对整个项目进行了总结,强调了在嵌入式ARM-Linux平台上设计播放器所取得的成果,同时也指出了一些待改进和完善的方面,如系统性能优化、兼容性提升以及可能的扩展功能等。关键词包括嵌入式ARM-Linux、S3C2410芯片、Mplayer多媒体播放器、图形用户界面(GUI)以及Minigui等,这些都反映出本文研究的重点和领域。 通过这篇论文,读者不仅能了解到嵌入式系统与Linux平台结合的具体实践,还能学到如何在资源受限的环境中设计和优化多媒体播放器,为嵌入式技术在多媒体应用领域的进一步发展提供了有价值的经验和参考。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

Python字符串为空判断的动手实践:通过示例掌握技巧

![Python字符串为空判断的动手实践:通过示例掌握技巧](https://img-blog.csdnimg.cn/72f88d4fc1164d6c8b9c29d8ab5ed75c.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASGFyYm9yIExhdQ==,size_20,color_FFFFFF,t_70,g_se,x_16) # 1. Python字符串为空判断的基础理论 字符串为空判断是Python编程中一项基本且重要的任务。它涉及检查字符串是否为空(不包含任何字符),这在
recommend-type

box-sizing: border-box;作用是?

`box-sizing: border-box;` 是 CSS 中的一个样式属性,它改变了元素的盒模型行为。默认情况下,浏览器会计算元素内容区域(content)、内边距(padding)和边框(border)的总尺寸,也就是所谓的"标准盒模型"。而当设置为 `box-sizing: border-box;` 后,元素的总宽度和高度会包括内容、内边距和边框的总空间,这样就使得开发者更容易控制元素的实际布局大小。 具体来说,这意味着: 1. 内容区域的宽度和高度不会因为添加内边距或边框而自动扩展。 2. 边框和内边距会从元素的总尺寸中减去,而不是从内容区域开始计算。
recommend-type

经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf

本文主要探讨的是"经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf",该研究专注于嵌入式指纹识别技术在实际应用中的设计和实现。嵌入式指纹识别系统因其独特的优势——无需外部设备支持,便能独立完成指纹识别任务,正逐渐成为现代安全领域的重要组成部分。 在技术背景部分,文章指出指纹的独特性(图案、断点和交叉点的独一无二性)使其在生物特征认证中具有很高的可靠性。指纹识别技术发展迅速,不仅应用于小型设备如手机或门禁系统,也扩展到大型数据库系统,如连接个人电脑的桌面应用。然而,桌面应用受限于必须连接到计算机的条件,嵌入式系统的出现则提供了更为灵活和便捷的解决方案。 为了实现嵌入式指纹识别,研究者首先构建了一个专门的开发平台。硬件方面,详细讨论了电源电路、复位电路以及JTAG调试接口电路的设计和实现,这些都是确保系统稳定运行的基础。在软件层面,重点研究了如何在ARM芯片上移植嵌入式操作系统uC/OS-II,这是一种实时操作系统,能够有效地处理指纹识别系统的实时任务。此外,还涉及到了嵌入式TCP/IP协议栈的开发,这是实现系统间通信的关键,使得系统能够将采集的指纹数据传输到远程服务器进行比对。 关键词包括:指纹识别、嵌入式系统、实时操作系统uC/OS-II、TCP/IP协议栈。这些关键词表明了论文的核心内容和研究焦点,即围绕着如何在嵌入式环境中高效、准确地实现指纹识别功能,以及与外部网络的无缝连接。 这篇论文不仅深入解析了嵌入式指纹识别系统的硬件架构和软件策略,而且还展示了如何通过结合嵌入式技术和先进操作系统来提升系统的性能和安全性,为未来嵌入式指纹识别技术的实际应用提供了有价值的研究成果。