神经网络实现鸢尾花分类 实验报告

# 法一：直接手写实现 # 欧氏距离计算 def distEclud(x,y): return np.sqrt(np.sum((x-y)**2)) # 计算欧氏距离 # 为给定数据集构建一个包含K个随机质心centroids的集合 def randCent(dataSet,k): m,n = dataSet.shape #m=150,n=4 centroids = np.zeros((k,n)) #4*4 for i in range(k): # 执行四次 index = int(np.random.uniform(0,m)) # 产生0到150的随机数（在数据集中随机挑一个向量做为质心的初值） centroids[i,:] = dataSet[index,:] #把对应行的四个维度传给质心的集合 return centroids # k均值聚类算法 def KMeans(dataSet,k): m = np.shape(dataSet)[0] #行数150 # 第一列存每个样本属于哪一簇(四个簇) # 第二列存每个样本的到簇的中心点的误差 clusterAssment = np.mat(np.zeros((m,2)))# .mat()创建150*2的矩阵 clusterChange = True # 1.初始化质心centroids centroids = randCent(dataSet,k)#4*4 while clusterChange: # 样本所属簇不再更新时停止迭代 clusterChange = False # 遍历所有的样本（行数150） for i in range(m): minDist = 100000.0 minIndex = -1 # 遍历所有的质心 #2.找出最近的质心 for j in range(k): # 计算该样本到4个质心的欧式距离，找到距离最近的那个质心minIndex distance = distEclud(centroids[j,:],dataSet[i,:]) if distance < minDist: minDist = distance minIndex = j # 3.更新该行样本所属的簇 if clusterAssment[i,0] != minIndex: clusterChange = True clusterAssment[i,:] = minIndex,minDist**2 #4.更新质心 for j in range(k): # np.nonzero(x)返回值不为零的元素的下标，它的返回值是一个长度为x.ndim(x的轴数)的元组 # 元组的每个元素都是一个整数数组，其值为非零元素的下标在对应轴上的值。 # 矩阵名.A 代表将 矩阵转化为array数组类型 # 这里取矩阵clusterAssment所有行的第一列，转为一个array数组，与j（簇类标签值）比较，返回true or false # 通过np.nonzero产生一个array，其中是对应簇类所有的点的下标值（x个） # 再用这些下标值求出dataSet数据集中的对应行，保存为pointsInCluster（x*4） pointsInCluster = dataSet[np.nonzero(clusterAssment[:,0].A == j)[0]] # 获取对应簇类所有的点（x*4） centroids[j,:] = np.mean(pointsInCluster,axis=0) # 求均值，产生新的质心 # axis=0，那么输出是1行4列，求的是pointsInCluster每一列的平均值，即axis是几，那就表明哪一维度被压缩成1 print("cluster complete") return centroids,clusterAssment def draw(data,center,assment): length=len(center) fig=plt.figure data1=data[np.nonzero(assment[:,0].A == 0)[0]] data2=data[np.nonzero(assment[:,0].A == 1)[0]] data3=data[np.nonzero(assment[:,0].A == 2)[0]] # 选取前两个维度绘制原始数据的散点图 plt.scatter(data1[:,0],data1[:,1],c="red",marker='o',label='label0') plt.scatter(data2[:,0],data2[:,1],c="green", marker='*', label='label1') plt.scatter(data3[:,0],data3[:,1],c="blue", marker='+', label='label2') # 绘制簇的质心点 for i in range(length): plt.annotate('center',xy=(center[i,0],center[i,1]),xytext= (center[i,0]+1,center[i,1]+1),arrowprops=dict(facecolor='yellow')) # plt.annotate('center',xy=(center[i,0],center[i,1]),xytext= # (center[i,0]+1,center[i,1]+1),arrowprops=dict(facecolor='red')) plt.show() # 选取后两个维度绘制原始数据的散点图 plt.scatter(data1[:,2],data1[:,3],c="red",marker='o',label='label0') plt.scatter(data2[:,2],data2[:,3],c="green", marker='*', label='label1') plt.scatter(data3[:,2],data3[:,3],c="blue", marker='+', label='label2') # 绘制簇的质心点 for i in range(length): plt.annotate('center',xy=(center[i,2],center[i,3]),xytext= (center[i,2]+1,center[i,3]+1),arrowprops=dict(facecolor='yellow')) plt.show() dataSet = X k = 3 centroids,clusterAssment = KMeans(dataSet,k) draw(dataSet,centroids,clusterAssment)1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.

相关知识

BP神经网络鸢尾花红酒数据分类分析与源码实现
卷积神经网络实现鸢尾花数据分类python代码实现
python 使用Tensorflow训练BP神经网络实现鸢尾花分类
搭建简单的神经网络——使用pytorch实现鸢尾花的分类
TensorFlow使用BP神经网络实现鸢尾花分类
基于BP神经网络对鸢尾花的分类的研究
神经网络与深度学习（五）前馈神经网络（3）鸢尾花分类
Python 基于BP神经网络的鸢尾花分类
鸢尾花分类——神经网络详解
使用神经网络模型进行鸢尾花分类 matlab神经网络分类鸢尾花

网址: 神经网络实现鸢尾花分类 实验报告 https://www.huajiangbk.com/newsview1545209.html