内容简介:从头开始编写机器学习算法是一种非常有益的学习体验。 我们在此过程中强调了6个步骤。有些算法比其他算法更复杂,所以从一些简单的算法开始,从一些非常简单的算法开始,比如单层感知器。
从头开始编写机器学习算法是一种非常有益的学习体验。 我们在此过程中强调了6个步骤。
有些算法比其他算法更复杂,所以从一些简单的算法开始,从一些非常简单的算法开始,比如单层感知器。
我将以感知器为例,带您经历以下6步过程,从头开始编写算法:
- 对算法有一个基本的了解
- 找到一些不同的学习来源
- 将算法分解成块
- 从一个简单的例子开始
- 使用可信的实现进行验证
- 写下你的过程
获得基本了解
这又回到了我最初所说的。如果你不了解基础知识,不能从头开始处理算法。
至少,你应该能够回答以下问题:
- 它是什么?
- 它的典型用途是什么?
- 我什么时候不能用这个?
对于感知器,让我们继续回答这些问题:
- 单层感知器是最基本的神经网络。它通常用于二进制分类问题(1或0,“是”或“否”)。
- 一些简单的用法可能是情感分析(正面或负面反应)或贷款违约预测(“将违约”,“将不违约”)。对于这两种情况,决策边界都必须是线性的。
- 如果决策边界是非线性的,你就不能用感知器。对于这些问题,您需要使用不同的方法。
使用不同的学习资源
在你对模型有了基本的了解之后,是时候开始你的研究了。 有些人用教科书学得更好,有些人用视频学得更好。 就我个人而言,我喜欢到处转转,使用各种各样的资源。
对于数学细节,教科书做得很好,但对于更实际的例子,我更喜欢博客帖子和YouTube视频。 对于感知器,这里有一些很好的来源:
教科书
博客
-
How To Implement The Perceptron Algorithm From Scratch In Python , by Jason Brownlee
-
Single-Layer Neural Networks and Gradient Descent , by Sebastian Raschka
视频
Perceptron Training How the Perceptron Algorithm Works
将算法分解成块
现在我们已经收集了资料,是时候开始学习了。 与其从头到尾读一章或一篇博客文章,不如先浏览一下章节标题和其他重要信息。 写下要点,并试着概述算法 。
在浏览了这些资料之后,我将感知器分为以下5个部分:
- 初始化权重
- 将权重乘以输入,然后求和
- 将结果与阈值进行比较以计算输出(1或0)
- 更新权重
- 重复
让我们详细讨论每一个问题。
1。初始化权重首先,我们将初始化权向量。 权重的数量需要与特征的数量匹配。假设我们有三个特征,这是权重向量的样子
权重向量通常是用零初始化的,所以我将在这个例子中继续使用它。
2。将权重乘以输入,然后求和
接下来,我们将权重乘以输入,然后求和。 为了更容易理解,我在第一行中对权重及其对应的特征进行了着色
在我们把权重乘以特征之后,我们把它们加起来。这也被称为点积。
最后的结果是0。我将把这个临时结果称为“f”。
3.比较阈值
在计算出点积之后,我们需要将它与阈值进行比较。 我选择用0作为我的临界值,但是你可以试着用一些不同的数字。
由于我们计算出来的点积f不大于我们的阈值(0)我们的估计值等于0。 我将估计值表示为带帽的y(又名“y帽”),下标为0以对应第一行。你可以在第一行用1,这无所谓。我选择从0开始。 如果我们将这个结果与实际值进行比较,我们可以看到我们当前的权重没有正确地预测实际输出。
由于我们的预测是错误的,我们需要更新权重,这将我们带到下一步。
**4 更新权重 **
接下来,我们要更新权重。下面是我们要用到的方程:
基本思想是,我们在迭代“n”处调整当前权重,以便在下一个迭代中得到一个新的权重“n+1”。 为了调整权重,我们需要设置一个“学习率”。这是用希腊字母“eta”表示的。 我选择用0.1表示学习速率,但是你可以用不同的数字,就像用临界值一样。 以下是我们到目前为止的总结:
现在让我们继续计算迭代n=2的新权重。
我们已经成功地完成了感知器算法的第一次迭代。
**5 重复 **
由于我们的算法没有计算正确的输出,我们需要继续。 通常我们需要多次迭代。遍历数据集中的每一行,我们将每次更新权重。 对数据集的一次完整扫描称为“epoch”。 因为我们的数据集有3行,我们需要3次迭代才能完成1epoch。
我们可以设置总的迭代次数或epoch以继续执行算法。也许我们想指定30次迭代(或10次epochs)。 与阈值和学习率一样,epoch的数量是一个可以随意使用的参数。 在下一个迭代中,我们将继续讨论第二行特征。
我不会重复每一步,但这是下一个点积的计算:
接下来,我们将比较点积和阈值,以计算新的估计值,更新权值,然后继续。如果数据是线性可分的,感知器就会收敛。
从一个简单的例子开始
现在我们已经手工将算法分解成块,现在是开始在代码中实现它的时候了。 为了简单起见,我总是喜欢从一个非常小的“玩具数据集”开始。
对于这种类型的问题,一个漂亮的小的线性可分离数据集是NAND门。这是数字电子学中常用的逻辑门。
由于这是一个相当小的数据集,我们可以手动将其输入到 Python 中。 我要添加一个虚拟的特征“x0”它是一列1。我这样做是为了让我们的模型计算偏差项。 您可以将偏差看作是截距项,它正确地允许我们的模型分离这两个类。 以下是输入数据的代码:
# Importing libraries # NAND Gate # Note: x0 is a dummy variable for the bias term # x0 x1 x2 x = [[1., 0., 0.], [1., 0., 1.], [1., 1., 0.], [1., 1., 1.]] y =[1., 1., 1., 0.]
与前一节一样,我将逐步详细介绍算法,编写代码并测试它。
1。初始化权重第一步是初始化权重。
# Initialize the weights import numpy as np w = np.zeros(len(x[0]))
Out: [ 0. 0. 0.]
请记住,权重向量的长度需要与特征的数量匹配。对于这个NAND门的例子,长度是3。
2。将权重乘以输入,然后求和
接下来,我们将权重乘以输入,然后求和。 它的另一个名字是“点积” 同样,我们可以使用Numpy轻松地执行此操作。我们将使用的方法是.dot()。
我们从权向量和第一行特征的点积开始。
# Dot Product f = np.dot(w, x[0]) print f
正如预期的那样,结果是0。 为了与上一节的笔记保持一致,我将点积赋给变量f。
3.与阈值比较
在计算了点积之后,我们准备将结果与阈值进行比较,从而对输出进行预测。 同样,我将保持与上一节的笔记一致。 我要让临界值z等于0。如果点积f大于0,我们的预测是1。否则,它就是零。 记住,这个预测通常是顶部一横来表示的,也被称为“帽子”。我将把预测赋给的变量是yhat。
# Activation Function z = 0.0 if f > z: yhat = 1. else: yhat = 0. print yhat
正如预期的那样,预测为0。 您会注意到,在上面的注释中,我将其称为“激活函数”。这是对我们正在做的更正式的描述。 查看NAND输出的第一行,我们可以看到实际值是1。由于我们的预测是错误的,我们需要继续更新权重。
4 更新权重
现在我们已经做出了预测,我们准备更新权重。 我们需要设定一个学习速度才能做到这一点。为了与前面的示例一致,我将学习速率“eta”赋值为0.1。 我将对每个权重的更新进行硬编码,使其更易于阅读。
eta = 0.1 w[0] = w[0] + eta*(y[0] - yhat)*x[0][0] w[1] = w[1] + eta*(y[0] - yhat)*x[0][1] w[2] = w[2] + eta*(y[0] - yhat)*x[0][2] print w
我们可以看到我们的权重现在已经更新了,所以我们准备继续。
5。重复
现在我们已经完成了每一个步骤,现在是时候把所有的东西放在一起了。 最后一个我们没有讨论的是我们的损失函数。这是我们要最小化的函数,在我们的例子中,这将是平方和(SSE)误差。
这就是我们用来计算误差的方法,看看模型是如何运行的。 把所有这些都联系起来,完整的函数是这样的:
import numpy as np # Perceptron function def perceptron(x, y, z, eta, t): ''' Input Parameters: x: data set of input features y: actual outputs z: activation function threshold eta: learning rate t: number of iterations ''' # initializing the weights w = np.zeros(len(x[0])) n = 0 # initializing additional parameters to compute sum-of-squared errors yhat_vec = np.ones(len(y)) # vector for predictions errors = np.ones(len(y)) # vector for errors (actual - predictions) J = [] # vector for the SSE cost function while n < t: for i in xrange(0, len(x)): # dot product f = np.dot(x[i], w) # activation function if f >= z: yhat = 1. else: yhat = 0. yhat_vec[i] = yhat # updating the weights for j in xrange(0, len(w)): w[j] = w[j] + eta*(y[i]-yhat)*x[i][j] n += 1 # computing the sum-of-squared errors for i in xrange(0,len(y)): errors[i] = (y[i]-yhat_vec[i])**2 J.append(0.5*np.sum(errors)) return w, J
现在我们已经编写了完整感知器的代码,让我们继续运行它:
# x0 x1 x2 x = [[1., 0., 0.], [1., 0., 1.], [1., 1., 0.], [1., 1., 1.]] y =[1., 1., 1., 0.] z = 0.0 eta = 0.1 t = 50 print "The weights are:" print perceptron(x, y, z, eta, t)[0] print "The errors are:" print perceptron(x, y, z, eta, t)[0]
看一看错误,我们可以看到错误在第6次迭代时趋于0。对于迭代的其余部分,它保持在0。 当误差趋于0时,我们知道模型收敛了。这告诉我们,我们的模型已经正确地“学习”了适当的权重。 在下一节中,我们将使用对较大数据集的计算权重来进行预测。
使用可信的实现进行验证
到目前为止,我们已经找到了不同的学习资源,手工完成了算法,并通过一个简单的例子在代码中测试了它。 现在是时候将我们的结果与可信的实现进行比较了。为了比较,我们将使用scikit-learn中的感知器。 我们将使用以下步骤进行比较:
- 导入数据
- 将数据分成训练集/测试集
- 训练我们的感知器
- 测试感知器
- 和scikit-learn的感知器相比
1。导入数据
让我们从导入数据开始。您可以在 这里 获得数据集的副本。 这是一个我创建的线性可分离数据集以确保感知器能够工作。为了确认,让我们继续对数据画图。
import pandas as pd import numpy as np import matplotlib.pyplot as plt df = pd.read_csv("dataset.csv") plt.scatter(df.values[:,1], df.values[:,2], c = df['3'], alpha=0.8)
看看这个图,很容易看出我们可以用一条直线将这些数据分开。 在继续之前,我将在上面解释我的绘图代码。 我使用panda导入csv,它自动将数据放入dataframe中。
为了绘制数据,我必须从dataframe中提取值,所以我使用了.values方法。 特征在第1和第2列中,所以我在散点图函数中使用了这些特征。第0列是我包含的1的虚拟特征,这样就能计算出截距。这应该与我们在前一节中对NAND gate所做的事情一样。
最后,我在scatterplot函数中使用c = df['3']和alpha = 0.8为两个类着色。输出是第3列(0或1)中的数据,因此我告诉函数使用第3列为两个类着色。 你可以在这里找到关于Matplotlib的 散点图函数 的更多信息。
2。将数据分成训练集/测试集
既然我们已经确定了数据可以线性分离,那么现在就该分割数据了。 在单独的数据集上训练模型和另一个数据上测试模型是很好的实践。这有助于避免过度拟合。 做这个有不同的方法,但为了简单起见,我将使用一个训练集和一个测试集。 我扰乱一下我们的数据。如果您查看原始文件,您会看到数据是按输出(第三列)中0的行进行分组的,然后是所有的1。我想要改变一下,增加一些随机性,所以我要洗牌。
df = df.values np.random.seed(5) np.random.shuffle(df)
我首先将数据从dataframe改为numpy数组。这将使我更容易地使用许多numpy函数,例如.shuffle。 为了让结果重现,我设置了一个随机种子(5)。完成后,尝试改变随机种子,看看结果如何变化。 接下来我将把70%的数据分成训练集,30%分成测试集。
train = df[0:int(0.7*len(df))] test = df[int(0.7*len(df)):int(len(df))]
最后一步是分离训练和测试集的特征和输出。
x_train = train[:, 0:3] y_train = train[:, 3] x_test = test[:, 0:3] y_test = test[:, 3]
我选择了70%/30%作为训练集/测试集,只是为了这个示例,但我鼓励您研究其他方法,比如 k-fold交叉验证 。
3.训练我们的感知器接下来,我们要训练感知器。 这非常简单,我们将重用在前一节中构建的代码。
def perceptron_train(x, y, z, eta, t): ''' Input Parameters: x: data set of input features y: actual outputs z: activation function threshold eta: learning rate t: number of iterations ''' # initializing the weights w = np.zeros(len(x[0])) n = 0 # initializing additional parameters to compute sum-of-squared errors yhat_vec = np.ones(len(y)) # vector for predictions errors = np.ones(len(y)) # vector for errors (actual - predictions) J = [] # vector for the SSE cost function while n < t: for i in xrange(0, len(x)): # dot product f = np.dot(x[i], w) # activation function if f >= z: yhat = 1. else: yhat = 0. yhat_vec[i] = yhat # updating the weights for j in xrange(0, len(w)): w[j] = w[j] + eta*(y[i]-yhat)*x[i][j] n += 1 # computing the sum-of-squared errors for i in xrange(0,len(y)): errors[i] = (y[i]-yhat_vec[i])**2 J.append(0.5*np.sum(errors)) return w, J z = 0.0 eta = 0.1 t = 50 perceptron_train(x_train, y_train, z, eta, t)
让我们来看看权重和平方和误差。
w = perceptron_train(x_train, y_train, z, eta, t)[0] J = perceptron_train(x_train, y_train, z, eta, t)[1] print w print J
权值现在对我们来说意义不大,但我们将在下一节中使用这些数字来测试感知器。我们还将使用权重来比较我们的模型和scikit-learn模型。 看一下平方求和误差,我们可以看到感知器已经收敛,这是我们期望的,因为数据是线性可分离的。
4测试我们的感知器
现在是测试感知器的时候了。为此,我们将构建一个小型的perceptron_test函数。 这和我们已经看到的很相似。这个函数取我们使用perceptron_train函数计算的权值的点积,以及特征,以及激活函数,来进行预测。 我们唯一没有看到的是accuracy_score。这是一个来自scikitlearn的评价度量函数。你可以在这里了解更多。 把所有这些放在一起,下面是代码的样子:
from sklearn.metrics import accuracy_score w = perceptron_train(x_train, y_train, z, eta, t)[0] def perceptron_test(x, w, z, eta, t): y_pred = [] for i in xrange(0, len(x-1)): f = np.dot(x[i], w) # activation function if f > z: yhat = 1 else: yhat = 0 y_pred.append(yhat) return y_pred y_pred = perceptron_test(x_test, w, z, eta, t) print "The accuracy score is:" print accuracy_score(y_test, y_pred)
得分为1.0表明我们的模型正确地预测了所有的测试数据。这个数据集显然是可分离的,所以我们期望这个结果。 5。和学过的感知器相比 最后一步是将我们的结果与scikit-learn的感知器进行比较。下面是这个模型的代码:
from sklearn.linear_model import Perceptron # training the sklearn Perceptron clf = Perceptron(random_state=None, eta0=0.1, shuffle=False, fit_intercept=False) clf.fit(x_train, y_train) y_predict = clf.predict(x_test)
现在我们已经训练了模型,让我们将权重与模型计算的权重进行比较。
scikit-learn模型中的权重与我们的相同。这意味着我们的模型工作正常,这是个好消息。 在我们结束之前,有几个小问题需要复习一下。在scikit-learn模型中,我们必须将随机状态设置为“None”并关闭变换。我们已经设置了一个随机种子并打乱了数据,所以我们不需要再这样做了。 我们还必须将学习速率“eta0”设置为0.1,以与我们的模型相同。
最后一点是截距。因为我们已经包含了一个虚拟的特征列1s,我们正在自动拟合截距,所以我们不需要在scikit-learn感知器中打开它。 这些看起来都是次要的细节,但如果我们不设置这些,我们就无法复制与我们的模型相同的结果。 **这一点很重要。在使用模型之前,阅读文档并理解所有不同设置的作用是非常重要的。 **
写下你的过程 这个过程中的最后一步可能是最重要的。 您已经完成了所有的工作,包括学习、记笔记、从头开始编写算法,并将其与可信的实现进行比较。不要让所有的好工作白白浪费掉! 写下这个过程很重要,原因有二:
- 你会得到更深的理解,因为你正在教导别人你刚刚学到的东西。
- 你可以向潜在雇主展示它。
证明你可以从机器学习库中实现一个算法是一回事,但如果你可以自己从头实现它,那就更令人印象深刻了。 一个展示你作品的好方法是使用 GitHub页面组合 。
总结
在这篇文章中,我们学习了如何从零开始实现感知器。 更重要的是,我们学习了如何找到有用的学习资源,以及如何将算法分解成块。 然后,我们学习了如何使用一个玩具数据集在代码中实现和测试算法。 最后,我们通过比较我们的模型和可信实现的结果来结束本文。
这是在更深层次上学习算法的一个很好的方法,这样您就可以自己实现它了。 大多数情况下,您将使用可信的实现,但如果您真的想深入了解底层的情况,从头实现它是一个很好的练习。 请务必在下面留下您的评论,如果您在学习过程中还有其他的帮助您的技巧,请告诉我!
作者:John Sullivan 原文链接:https://www.dataoptimal.com/machine-learning-from-scratch/
版权声明:作者保留权利,严禁修改,转载请注明原文链接。
数据人网是数据人学习、交流和分享的平台http://shujuren.org 。专注于从数据中学习到有用知识。 平台的理念:人人投稿,知识共享;人人分析,洞见驱动;智慧聚合,普惠人人。 您在数据人网平台,可以1)学习数据知识;2)创建数据博客;3)认识数据朋友;4)寻找数据工作;5)找到其它与数据相关的干货。 我们努力坚持做原创,聚合和分享优质的省时的数据知识! 我们都是数据人,数据是有价值的,坚定不移地实现从数据到商业价值的转换!
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 机器学习算法——感知机&支持向量机
- 教你6步从头写机器学习算法——以感知机算法为例
- 清华&商汤开源超高精度边缘感知人脸对齐算法
- Pymetrics开源公平性感知机器学习算法Audit AI
- 亲手打开EQ系列黑匣子后,Mobileye又给感知算法上了道锁
- 黑芝麻CEO单记章:拒绝激光雷达也可实现L3自动驾驶,改进感知算法是关键
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
C程序设计题解与上机指导
谭浩强 / 清华大学 / 2000-9-1 / 19.50元
《C程序设计题解与上机指导(第2版)》是和谭浩强编著的《C程序设计》(第二版)(清华大学出版社1999年出版)配合使用的参考书,内容包括:(1)《程序设计》(第二版)一书的习题和参考解答,包括了该书各章的全部习题,共约150题,对全部编程题都给出了参考解答;(2)上机指南,详细介绍了在当前广泛使用的Turbo C集成环境下编辑、编译、调试和运行程序的方法,并简要介绍了Borland C++的使用方......一起来看看 《C程序设计题解与上机指导》 这本书的介绍吧!