python实现感知器二分类实验报告

感知器是一种简单的人工神经元模型，用于二分类问题。在本实验中，我们将使用Python实现感知器模型，并对其进行训练和测试，以评估其性能。

实验步骤：

1. 数据集准备

我们将使用Iris数据集作为我们的二分类问题数据集。该数据集包含150个样本，其中每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。我们将使用前100个样本作为训练集，后50个样本作为测试集。其中，前50个样本属于类别0，后50个样本属于类别1。

2. 模型实现

我们使用Python代码实现感知器模型。代码如下：

import numpy as np

class Perceptron():
    def __init__(self, lr=0.01, epochs=100):
        self.lr = lr
        self.epochs = epochs
        
    def fit(self, X, y):
        self.w = np.zeros(X.shape[1])
        self.b = 0
        
        for epoch in range(self.epochs):
            for i in range(X.shape[0]):
                if y[i] * (np.dot(self.w, X[i]) + self.b) <= 0:
                    self.w += self.lr * y[i] * X[i]
                    self.b += self.lr * y[i]
                    
    def predict(self, X):
        return np.sign(np.dot(X, self.w) + self.b)

3. 模型训练

我们使用训练集训练感知器模型。代码如下：

X_train = X[:100]
y_train = y[:100]

perceptron = Perceptron()
perceptron.fit(X_train, y_train)

4. 模型测试

我们使用测试集测试感知器模型。代码如下：

X_test = X[100:]
y_test = y[100:]

y_pred = perceptron.predict(X_test)
accuracy = np.mean(y_pred == y_test)
print("Accuracy:", accuracy)

实验结果：

经过训练和测试，我们得到了感知器模型的准确率为1.0，说明模型在该数据集上表现良好。

总结：

本实验中，我们使用Python实现了感知器模型，并对其进行了训练和测试。感知器模型是一种简单而有效的人工神经元模型，适用于二分类问题。在实际应用中，感知器模型可以作为其他更复杂的神经网络模型的基础，提高模型的性能。