在本教程中，您将发现Perceptron分类机器学习算法。完成本教程后，您将知道：

•  Perceptron分类器是一种线性算法，可以应用于二进制分类任务。
•  如何使用带有Scikit-Learn的Perceptron模型进行拟合，评估和做出预测。
•  如何在给定的数据集上调整Perceptron算法的超参数。

教程概述

本教程分为3个部分，共三个部分。他们是：

•  感知器算法
•  Perceptron与Scikit-学习
•  音调感知器超参数

感知器算法

Perceptron算法是两类（二进制）分类机器学习算法。它是一种神经网络模型，可能是最简单的神经网络模型类型。它由将一行数据作为输入并预测类标签的单个节点或神经元组成。这可以通过计算输入的加权和和偏差（设置为1）来实现。模型输入的加权总和称为激活。

激活=权重*输入+偏差

如果激活高于0.0，则模型将输出1.0；否则，模型将输出1.0。否则，将输出0.0。

预测1：如果激活> 0.0

预测0：如果激活<= 0.0

假设输入已乘以模型系数，如线性回归和逻辑回归，则优良作法是在使用模型之前对数据进行标准化或标准化。感知器是线性分类算法。这意味着它将学习在特征空间中使用一条线（称为超平面）将两个类别分开的决策边界。因此，适用于那些类别可以通过线性或线性模型（称为线性可分离）很好地分离的问题。该模型的系数称为输入权重，并使用随机梯度下降优化算法进行训练。一次将来自训练数据集的示例显示给模型，模型进行预测并计算误差。然后，更新模型的权重以减少示例的误差。这称为Perceptron更新规则。对于训练数据集中的所有示例（称为时期）都重复此过程。然后，使用示例更新模型的过程会重复很多次。在每批中，使用较小比例的误差来更新模型权重，并且该比例由称为学习率的超参数控制，通常将其设置为较小的值。这是为了确保学习不会太快发生，从而导致技能水平可能较低，这被称为模型权重的优化（搜索）过程的过早收敛。

权重（t + 1）=权重（t）+学习率*（expected_i –预测值）* input_i

当模型所产生的误差降至较低水平或不再改善时，或者执行了最大时期数时，训练将停止。

模型权重的初始值设置为较小的随机值。另外，在每个训练纪元之前对训练数据集进行混洗。这是设计使然，以加速和改善模型训练过程。因此，学习算法是随机的，并且每次运行都会获得不同的结果。因此，优良作法是使用重复评估来总结算法在数据集上的性能，并报告平均分类精度。学习率和训练时期数是算法的超参数，可以使用启发式或超参数调整来设置。

现在我们已经熟悉了Perceptron算法，现在让我们探索如何在Python中使用该算法。

Perceptron 与 Scikit-Learn

可通过Perceptron类在scikit-learn Python机器学习库中使用Perceptron算法。该类允许您配置学习率（eta0），默认为1.0。

1. # define model  
2. model = Perceptron(eta0=1.0) 

该实现还允许您配置训练时期的总数（max_iter），默认为1,000。

1. # define model  
2. model = Perceptron(max_iter=1000) 

Perceptron算法的scikit-learn实现还提供了您可能想探索的其他配置选项，例如提前停止和使用惩罚损失。我们可以通过一个有效的示例来演示Perceptron分类器。首先，让我们定义一个综合分类数据集。我们将使用make_classification（）函数创建一个包含1,000个示例的数据集，每个示例包含20个输入变量。该示例创建并汇总了数据集。

1. # test classification dataset  
2. from sklearn.datasets import make_classification  
3. # define dataset  
4. X, y = make_classification(n_samples=1000, n_features=10, n_informative=10, n_redundant=0, random_state=1)  
5. # summarize the dataset  
6. print(X.shape, y.shape) 

运行示例将创建数据集并确认数据集的行数和列数。

1. (1000, 10) (1000,) 

我们可以通过 RepeatedStratifiedKFold类使用重复的分层k折交叉验证来拟合和评估Perceptron模型。我们将在测试装置中使用10折和3次重复。

1. # create the model  
2. model = Perceptron() 

下面列出了为综合二进制分类任务评估Perceptron模型的完整示例。

1. # evaluate a perceptron model on the dataset  
2. from numpy import mean  
3. from numpy import std  
4. from sklearn.datasets import make_classification  
5. from sklearn.model_selection import cross_val_score  
6. from sklearn.model_selection import RepeatedStratifiedKFold  
7. from sklearn.linear_model import Perceptron  
8. # define dataset  
9. X, y = make_classification(n_samples=1000, n_features=10, n_informative=10, n_redundant=0, random_state=1)  
10. # define model  
11. model = Perceptron()  
12. # define model evaluation method  
13. cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)  
14. # evaluate model  
15. scores = cross_val_score(model, X, y, scoring='accuracy', cvcv=cv, n_jobs=-1)  
16. # summarize result  
17. print('Mean Accuracy: %.3f (%.3f)' % (mean(scores), std(scores))) 

运行示例将在综合数据集上评估Perceptron算法，并报告10倍交叉验证的三个重复中的平均准确性。鉴于学习算法的随机性，您的具体结果可能会有所不同。考虑运行该示例几次。在这种情况下，我们可以看到该模型实现了约84.7％的平均准确度。

1. Mean Accuracy: 0.847 (0.052) 

我们可能决定使用Perceptron分类器作为最终模型，并对新数据进行预测。这可以通过在所有可用数据上拟合模型管道并调用传递新数据行的predict（）函数来实现。我们可以通过下面列出的完整示例进行演示。

1. # make a prediction with a perceptron model on the dataset  
2. from sklearn.datasets import make_classification  
3. from sklearn.linear_model import Perceptron  
4. # define dataset  
5. X, y = make_classification(n_samples=1000, n_features=10, n_informative=10, n_redundant=0, random_state=1)  
6. # define model  
7. model = Perceptron()  
8. # fit model  
9. model.fit(X, y)  
10. # define new data  
11. row = [0.12777556,-3.64400522,-2.23268854,-1.82114386,1.75466361,0.1243966,1.03397657,2.35822076,1.01001752,0.56768485]  
12. # make a prediction  
13. yhat = model.predict([row])  
14. # summarize prediction  
15. print('Predicted Class: %d' % yhat) 

运行示例将使模型适合模型并为新的数据行进行类标签预测。

Predicted Class: 1

接下来，我们可以看一下配置模型的超参数。