import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
class Perceptron(object):
def __init__(self, eta=0.01, n_iter=10):
self.eta = eta
self.n_iter = n_iter
def fit(self, X, y):
self.w_ = np.zeros(1 + X.shape[1])
self.errors_ = []
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.errors_.append(errors)
return self
def net_input(self, X):
"""Calculate net input"""
return np.dot(X, self.w_[1:]) + self.w_[0]
def predict(self, X):
"""Return class label after unit step"""
return np.where(self.net_input(X) >= 0.0, 1, -1)
df = pd.read_csv('D:\\TUT\\IRIS_DATA\\iris_data.csv', header=None)
print(df.tail())
y = df.iloc[0:100, 4].values
#print(y)
y = np.where(y == 'Iris-setosa', -1, 1)
#print(y)
X = df.iloc[0:100,0:2].values
print(X)
plt.scatter(X[:50, 0], X[:50,1], label='setosa', color='red', marker='o')
plt.scatter(X[50:100,0], X[50:100, 1], label='versicolor', color='blue',marker='x')
plt.xlabel('petal length')
plt.ylabel('sepal length')
plt.legend()
plt.show()
ppn = Perceptron(0.01, 100)
ppn.fit(X,y)
plt.plot(range(1,len(ppn.errors_)+1), ppn.errors_, marker='o')
plt.xlabel('epoch')
plt.ylabel('Number of misclassification')
plt.show()
Le code ci-dessus est copié à partir d'un livre mais malheureusement l'erreur ne converge pas vers 0 sur les données Iris. L'erreur rebondit entre deux valeurs 3.0 et 2.0. Besoin d'aide pour comprendre où je me trompe.Perceptron Code en Python sur les données Iris non convergentes
S'il vous plaît considérez-moi un novice dans l'arène d'apprentissage automatique et toute idée serait très appréciée.