欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python線性分類介紹

 更新時(shí)間:2022年02月16日 17:22:55   作者:努力奮斗的K崽  
這篇文章主要介紹了Python線性分類,線性分類指在機(jī)器學(xué)習(xí)領(lǐng)域,分類的目標(biāo)是指將具有相似特征的對象聚集。而一個(gè)線性分類器則透過特征的線性組合來做出分類決定,以達(dá)到此種目的。對象的特征通常被描述為特征值,而在向量中則描述為特征向量,需要的朋友可以參考下

通過約束類的協(xié)方差相等,將貝葉斯分類器簡化為線性分類器。
比較生成模型和判別模型在挑戰(zhàn)性分類任務(wù)中的性能。

在本實(shí)驗(yàn)課中:我們將比較線性分類的“生成建模”和“判別建模”方法。對于“生成”方法,我們將重新討論我們在前面練習(xí)中使用的貝葉斯分類代碼,但我們將限制系統(tǒng)具有相等的協(xié)方差矩陣,即一個(gè)協(xié)方差矩陣來表示所有類別,而不是每個(gè)類別都有其自己的協(xié)方差矩陣。在這種情況下,系統(tǒng)成為線性分類器。我們將把它與“判別式”方法進(jìn)行比較,在這種方法中,我們使用感知器學(xué)習(xí)算法直接學(xué)習(xí)線性分類器參數(shù)。

在本筆記本中,我們將使用UCI機(jī)器學(xué)習(xí)庫中的另一個(gè)數(shù)據(jù)集:鮑魚數(shù)據(jù)。鮑魚是一種海螺。一個(gè)樣本的年齡可以通過在圓錐體上切割外殼和用顯微鏡(更像是樹木)計(jì)數(shù)環(huán)來確定,但這是一個(gè)耗時(shí)且昂貴的過程。這里的任務(wù)是通過簡單的外部測量動(dòng)物的重量和尺寸,嘗試并預(yù)測環(huán)的數(shù)量。對于我們正在使用的數(shù)據(jù)集,環(huán)數(shù)的真實(shí)值是已知的(即,在測量蝸牛后對環(huán)進(jìn)行計(jì)數(shù))。結(jié)果從1到29個(gè)環(huán)不等,因此這通常被視為29類分類問題。為了簡化一些,我將數(shù)據(jù)重新組合成兩個(gè)大小大致相同的類:年輕(少于10個(gè)環(huán))和老年(10個(gè)或更多個(gè)環(huán))。我也只采集了女性樣本。有7個(gè)測量值(都是高度相關(guān)的)用于預(yù)測類別標(biāo)簽。

生成性建模:具有等協(xié)變多元正態(tài)分布的貝葉斯分類。
與上一個(gè)介紹相比,有更多的樣本(1306個(gè),178個(gè)),因此我們不必?fù)?dān)心遺漏一個(gè)測試,相反,我們只需像上一個(gè)一樣,將數(shù)據(jù)切割成大小相同的測試和訓(xùn)練集。
通過修改上次編寫的代碼,使用具有完全協(xié)方差矩陣的多元正態(tài)分布來評(píng)估貝葉斯分類器的性能。在考慮對代碼進(jìn)行更改時(shí),請注意,主要區(qū)別在于本筆記本中只有兩個(gè)類,而不是三個(gè)。(如果您愿意,您可以嘗試將代碼包裝到函數(shù)中,看看是否可以將其設(shè)計(jì)為適用于任意數(shù)量的類。)
您的分類器的性能如何?此任務(wù)的分?jǐn)?shù)可能在60%-70%之間,因此,如果性能似乎比前一個(gè)任務(wù)差很多,請不要擔(dān)心。如果性能低于60%,那么您應(yīng)該檢查代碼是否存在可能的bug。

import numpy as np
X = np.loadtxt(open("data/abalone.txt", "r"))
X.shape
from scipy.stats import multivariate_normal
import matplotlib.pyplot as plt

%matplotlib inline

abalone1 = X[X[:, 0] == 1, :]
abalone2 = X[X[:, 0] == 2, :]
abalone1_test = abalone1[0::2, :]
abalone1_train = abalone1[1::2, :]
abalone2_test = abalone2[0::2, :]
abalone2_train = abalone2[1::2, :]
abalone_test = np.vstack((abalone1_test, abalone2_test))
abalone_test.shape

mean1 = np.mean(abalone1_train[:, 1:], axis=0)
mean2 = np.mean(abalone2_train[:, 1:], axis=0)
cov1 = np.cov(abalone1_train[:, 1:], rowvar=0)
cov2 = np.cov(abalone2_train[:, 1:], rowvar=0)

dist1 = multivariate_normal(mean=mean1, cov=cov1)
dist2 = multivariate_normal(mean=mean2, cov=cov2)

p1 = dist1.pdf(abalone_test[:, 1:])
p2 = dist2.pdf(abalone_test[:, 1:])

p = np.vstack((p1, p2))

index = np.argmax(p, axis=0) + 1

plt.plot(index, "k.", ms=10)

correct = abalone_test[:, 0] == index
percent_correct = np.sum(correct) * 100.0 / index.shape
print(percent_correct)

rowvarbool,可選

如果rowvar為True(默認(rèn)),則每行表示一個(gè)變量,列中包含觀察值。否則,關(guān)系將被轉(zhuǎn)換:每列表示一個(gè)變量,而行包含觀察值。

使用等協(xié)方差矩陣:

如果您正確地遵循了與上一本筆記相同的步驟,您將為每個(gè)類估計(jì)出一個(gè)單獨(dú)的協(xié)方差矩陣。這些矩陣將不相等,因此您的系統(tǒng)將不是線性分類器(即,它將具有非平面決策邊界)。為了將其簡化為線性系統(tǒng),我們需要確保只有一個(gè)協(xié)方差矩陣。您可以想象這樣做的不

同方式:

首先,您可以想象簡單地從完整的訓(xùn)練集中估計(jì)單個(gè)協(xié)方差矩陣,然后再將其劃分為類。這將生成一個(gè)矩陣,但這不是正確的做法。我們希望矩陣表示類內(nèi)的分布,如果您僅使用完整的訓(xùn)練數(shù)據(jù)集訓(xùn)練模型,它還將捕獲類間的分布。
其次,可以想象平均兩個(gè)類相關(guān)協(xié)方差矩陣。這更接近于正確的情況,但它沒有考慮到類的示例數(shù)可能不相等這一事實(shí)。
最好的方法是首先將兩個(gè)類的中心移動(dòng)到同一點(diǎn)上,然后將它們視為單個(gè)類。要將類中心移動(dòng)到同一點(diǎn)上,只需從每個(gè)數(shù)據(jù)樣本中減去類平均向量。

def centre_data(data):
? ? nsamples = data.shape[0]
? ? data_mean = np.mean(data, axis=0)
? ? data_centred = data - data_mean
? ? return data_centred


abalone1_centred = centre_data(abalone1_train)
abalone2_centred = centre_data(abalone2_train)

abalone_centred = np.vstack((abalone1_centred, abalone2_centred))

cov_global = np.cov(abalone_centred[:, 1:], rowvar=0)

dist1 = multivariate_normal(mean=mean1, cov=cov_global)
dist2 = multivariate_normal(mean=mean2, cov=cov_global)

p1 = dist1.pdf(abalone_test[:, 1:])
p2 = dist2.pdf(abalone_test[:, 1:])

p = np.vstack((p1, p2))

index = np.argmax(p, axis=0) + 1

plt.plot(index, "k.", ms=10)

correct = abalone_test[:, 0] == index
percent_correct = np.sum(correct) * 100.0 / index.shape
print(percent_correct)

到此這篇關(guān)于Python線性分類介紹的文章就介紹到這了,更多相關(guān)Python線性分類內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • python 解決flask 圖片在線瀏覽或者直接下載的問題

    python 解決flask 圖片在線瀏覽或者直接下載的問題

    今天小編就為大家分享一篇python 解決flask 圖片在線瀏覽或者直接下載的問題,具有很好的參考價(jià)值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-01-01
  • python使用cartopy在地圖中添加經(jīng)緯線的示例代碼

    python使用cartopy在地圖中添加經(jīng)緯線的示例代碼

    gridlines可以根據(jù)坐標(biāo)系,自動(dòng)繪制網(wǎng)格線,這對于普通繪圖來說顯然不必單獨(dú)拿出來說說,但在地圖中,經(jīng)緯線幾乎是必不可少的,本文將給大家介紹了python使用cartopy在地圖中添加經(jīng)緯線的方法,需要的朋友可以參考下
    2024-01-01
  • 使用Python實(shí)現(xiàn)tail的示例代碼

    使用Python實(shí)現(xiàn)tail的示例代碼

    tail是一個(gè)常用的Linux命令, 它可以打印文件的后面n行數(shù)據(jù), 也能實(shí)時(shí)輸出文件的追加數(shù)據(jù)。本文就來用Python實(shí)現(xiàn)tail,感興趣的可以了解一下
    2023-03-03
  • 詳解Python 4.0 預(yù)計(jì)推出的新功能

    詳解Python 4.0 預(yù)計(jì)推出的新功能

    這篇文章主要介紹了詳解Python 4.0 預(yù)計(jì)推出的新功能,小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧
    2019-07-07
  • Python sep參數(shù)使用方法詳解

    Python sep參數(shù)使用方法詳解

    這篇文章主要介紹了Python sep參數(shù)使用方法詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-02-02
  • Python標(biāo)準(zhǔn)庫sched模塊使用指南

    Python標(biāo)準(zhǔn)庫sched模塊使用指南

    這篇文章主要介紹了Python標(biāo)準(zhǔn)庫sched模塊使用的相關(guān)資料,需要的朋友可以參考下
    2017-07-07
  • Python使用matplotlib實(shí)現(xiàn)基礎(chǔ)繪圖功能示例

    Python使用matplotlib實(shí)現(xiàn)基礎(chǔ)繪圖功能示例

    這篇文章主要介紹了Python使用matplotlib實(shí)現(xiàn)基礎(chǔ)繪圖功能,結(jié)合實(shí)例形式分析了Python基于matplotlib實(shí)現(xiàn)正弦、余弦圖形及多軸圖的相關(guān)繪制操作技巧,需要的朋友可以參考下
    2018-07-07
  • Python使用ThreadPoolExecutor一次開啟多個(gè)線程

    Python使用ThreadPoolExecutor一次開啟多個(gè)線程

    通過使用ThreadPoolExecutor,您可以同時(shí)開啟多個(gè)線程,從而提高程序的并發(fā)性能,本文就來介紹一下Python使用ThreadPoolExecutor一次開啟多個(gè)線程,感興趣的可以了解一下
    2023-11-11
  • 在?Python?中如何將天數(shù)添加到日期

    在?Python?中如何將天數(shù)添加到日期

    這篇文章主要介紹了在?Python?中將天數(shù)添加到日期,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下
    2023-03-03
  • Python 文件讀寫操作實(shí)例詳解

    Python 文件讀寫操作實(shí)例詳解

    Python提供了必要的函數(shù)和方法進(jìn)行默認(rèn)情況下的文件基本操作。你可以用file對象做大部分的文件操作
    2014-03-03

最新評(píng)論