mirror of
https://gitee.com/TheAlgorithms/Statistical-Learning-Method_Code.git
synced 2024-12-22 12:48:55 +08:00
159 lines
5.6 KiB
Python
159 lines
5.6 KiB
Python
#coding=utf-8
|
||
#Author:Dodo
|
||
#Date:2018-11-15
|
||
#Email:lvtengchao@pku.edu.cn
|
||
|
||
'''
|
||
数据集：Mnist
|
||
训练集数量：60000
|
||
测试集数量：10000
|
||
------------------------------
|
||
运行结果：
|
||
正确率：81.72%（二分类）
|
||
运行时长：78.6s
|
||
'''
|
||
|
||
import numpy as np
|
||
import time
|
||
|
||
def loadData(fileName):
|
||
'''
|
||
加载Mnist数据集
|
||
:param fileName:要加载的数据集路径
|
||
:return: list形式的数据集及标记
|
||
'''
|
||
print('start to read data')
|
||
# 存放数据及标记的list
|
||
dataArr = []; labelArr = []
|
||
# 打开文件
|
||
fr = open(fileName, 'r')
|
||
# 将文件按行读取
|
||
for line in fr.readlines():
|
||
# 对每一行数据按切割福','进行切割，返回字段列表
|
||
curLine = line.strip().split(',')
|
||
|
||
# Mnsit有0-9是个标记，由于是二分类任务，所以将>=5的作为1，<5为-1
|
||
if int(curLine[0]) >= 5:
|
||
labelArr.append(1)
|
||
else:
|
||
labelArr.append(-1)
|
||
#存放标记
|
||
#[int(num) for num in curLine[1:]] -> 遍历每一行中除了以第一哥元素（标记）外将所有元素转换成int类型
|
||
#[int(num)/255 for num in curLine[1:]] -> 将所有数据除255归一化(非必须步骤，可以不归一化)
|
||
dataArr.append([int(num)/255 for num in curLine[1:]])
|
||
|
||
#返回data和label
|
||
return dataArr, labelArr
|
||
|
||
def perceptron(dataArr, labelArr, iter=50):
|
||
'''
|
||
感知器训练过程
|
||
:param dataArr:训练集的数据 (list)
|
||
:param labelArr: 训练集的标签(list)
|
||
:param iter: 迭代次数，默认50
|
||
:return: 训练好的w和b
|
||
'''
|
||
print('start to trans')
|
||
#将数据转换成矩阵形式（在机器学习中因为通常都是向量的运算，转换称矩阵形式方便运算）
|
||
#转换后的数据中每一个样本的向量都是横向的
|
||
dataMat = np.mat(dataArr)
|
||
#将标签转换成矩阵，之后转置(.T为转置)。
|
||
#转置是因为在运算中需要单独取label中的某一个元素，如果是1xN的矩阵的话，无法用label[i]的方式读取
|
||
#对于只有1xN的label可以不转换成矩阵，直接label[i]即可，这里转换是为了格式上的统一
|
||
labelMat = np.mat(labelArr).T
|
||
#获取数据矩阵的大小，为m*n
|
||
m, n = np.shape(dataMat)
|
||
#创建初始权重w，初始值全为0。
|
||
#np.shape(dataMat)的返回值为m，n -> np.shape(dataMat)[1])的值即为n，与
|
||
#样本长度保持一致
|
||
w = np.zeros((1, np.shape(dataMat)[1]))
|
||
#初始化偏置b为0
|
||
b = 0
|
||
#初始化步长，也就是梯度下降过程中的n，控制梯度下降速率
|
||
h = 0.0001
|
||
|
||
#进行iter次迭代计算
|
||
for k in range(iter):
|
||
#对于每一个样本进行梯度下降
|
||
#李航书中在2.3.1开头部分使用的梯度下降，是全部样本都算一遍以后，统一
|
||
#进行一次梯度下降
|
||
#在2.3.1的后半部分可以看到（例如公式2.6 2.7），求和符号没有了，此时用
|
||
#的是随机梯度下降，即计算一个样本就针对该样本进行一次梯度下降。
|
||
#两者的差异各有千秋，但较为常用的是随机梯度下降。
|
||
for i in range(m):
|
||
#获取当前样本的向量
|
||
xi = dataMat[i]
|
||
#获取当前样本所对应的标签
|
||
yi = labelMat[i]
|
||
#判断是否是误分类样本
|
||
#误分类样本特诊为： -yi(w*xi+b)>=0，详细可参考书中2.2.2小节
|
||
#在书的公式中写的是>0，实际上如果=0，说明改点在超平面上，也是不正确的
|
||
if -1 * yi * (w * xi.T + b) >= 0:
|
||
#对于误分类样本，进行梯度下降，更新w和b
|
||
w = w + h * yi * xi
|
||
b = b + h * yi
|
||
#打印训练进度
|
||
print('Round %d:%d training' % (k, iter))
|
||
|
||
#返回训练完的w、b
|
||
return w, b
|
||
|
||
|
||
def model_test(dataArr, labelArr, w, b):
|
||
'''
|
||
测试准确率
|
||
:param dataArr:测试集
|
||
:param labelArr: 测试集标签
|
||
:param w: 训练获得的权重w
|
||
:param b: 训练获得的偏置b
|
||
:return: 正确率
|
||
'''
|
||
print('start to test')
|
||
#将数据集转换为矩阵形式方便运算
|
||
dataMat = np.mat(dataArr)
|
||
#将label转换为矩阵并转置，详细信息参考上文perceptron中
|
||
#对于这部分的解说
|
||
labelMat = np.mat(labelArr).T
|
||
|
||
#获取测试数据集矩阵的大小
|
||
m, n = np.shape(dataMat)
|
||
#错误样本数计数
|
||
errorCnt = 0
|
||
#遍历所有测试样本
|
||
for i in range(m):
|
||
#获得单个样本向量
|
||
xi = dataMat[i]
|
||
#获得该样本标记
|
||
yi = labelMat[i]
|
||
#获得运算结果
|
||
result = -1 * yi * (w * xi.T + b)
|
||
#如果-yi(w*xi+b)>=0，说明该样本被误分类，错误样本数加一
|
||
if result >= 0: errorCnt += 1
|
||
#正确率 = 1 - （样本分类错误数 / 样本总数）
|
||
accruRate = 1 - (errorCnt / m)
|
||
#返回正确率
|
||
return accruRate
|
||
|
||
if __name__ == '__main__':
|
||
#获取当前时间
|
||
#在文末同样获取当前时间，两时间差即为程序运行时间
|
||
start = time.time()
|
||
|
||
#获取训练集及标签
|
||
trainData, trainLabel = loadData('../Mnist/mnist_train.csv')
|
||
#获取测试集及标签
|
||
testData, testLabel = loadData('../Mnist/mnist_test.csv')
|
||
|
||
#训练获得权重
|
||
w, b = perceptron(trainData, trainLabel, iter = 30)
|
||
#进行测试，获得正确率
|
||
accruRate = model_test(testData, testLabel, w, b)
|
||
|
||
#获取当前时间，作为结束时间
|
||
end = time.time()
|
||
#显示正确率
|
||
print('accuracy rate is:', accruRate)
|
||
#显示用时时长
|
||
print('time span:', end - start)
|
||
|