奇书网

第二节 单层感知器与线性分类（第2页）

147147。06。32。55。19virginica

148148。06。535。22virginica

149149。06。23。45。42。3virginica

150150。05。935。11。8virginica

In[10]：print（data。shape）

（151，6）

为了让读者更熟悉Python处理数据的方式，在这个案例中，将从整个鸢尾花数据集中抽取需要使用的类别和特征属性数据。

In[11]：flower_class=data。iloc[1：101，5]。values

In[12]：flo。where（flower_class=="setosa"，-1，1）

In[13]：floe=data。iloc[1：101，[1，3]]。values

在上述数据抽取的过程中，有几点需要注意。在Python中数据编号是从0开始的。例如，想读取第1条数据，那么在代码中应该告诉Python你想读取的数据编号是0，如果想读取第9条数据，那么告诉Python的数据编号应该是8。案例需要分析的是鸢尾花数据的前两类，一共100条数据。在下载的数据集中，第一行是数据项的名称，所以应该读取第2到第101条。因此在In[11]中，告诉Python的数据编号是“1：101”（不含101）。类别数据在表格中位于第6列，所以代码中的列编号为“5”。类似地，花萼长度和花瓣长度位于表格的第2列和第4列，所以在In[13]中告诉Python的编号是1和3。In[12]中，把类别“setosa”和“versicolour”转换成了-1和1，它的意思是，如果是setosa，则类别为-1，否则为1。

接下来定义绘制数据散点图的函数，通过data_show（）调用函数显示散点图（图6-4）。

Ia_show（）：

plt。title（"鸢尾花散点图"，foies=font）

plt。xlabel（"花瓣长度"，foies=font）

plt。ylabel（"萼片长度"，foies=font）

plt。legend（loc="upperleft"）

plt。show（）

In[15]：data_show（）

图6-4

利用sklearn提供的感知器，对抽取出的数据进行学习。学习过程一共迭代10次，学习速率设定为0。1。

In[16]：floer_iter=10，eta0=0。1）

In[17]：flower_classifier。fit（floe，flo>

Out[17]：

&ron（alpha=0。0001，class_weight=a0=0。1，fit_interce

pt=True，n_iter=10，n_jobs=1，penalty=None，random_stat

e=0，shuffle=True，verbose=0，warm_start=False）

学习完毕后，计算学习结果的准确率。可以看到准确率为100%（1。0）。这表明，学习结束后得到的模型在这个数据集上的分类准确率是100%，也就是对这些数据可以给出完全正确的分类。通常应该把数据集划分为训练集和检测集，通过训练集学习，再通过检测集评估结果。在这个案例中没有把数据划分为两个部分。一是因为这个问题比较简单，二是可用的数据较少。

In[18]：accuracy=flower_classifier。score（floe，flo>

In[19]：print（accuracy）

1。0

可以定义一个绘图函数，来显示这个分类器的决策边界。结果显示如图6-5所示。

I_de_regions（x，y，classifier，resolution=0。2）：