class IrisModel:
def __init__(self):
self.iris = pd.read_csv(
'https://archive.ics.uci.edu/ml/'
'machine-learning-databases/iris/iris.data',
header=None)
print(self.iris.head())
print('----------------------')
print(self.iris.tail)
print('----------------------')
print(self.iris.columns)
'''
[150 rows x 5 columns]>
----------------------
Int64Index([0, 1, 2, 3, 4], dtype='int64')
'''
# Iris-setosa 와 versicolor 선택 (MCP 는 이진분류만 할 수 있다)
t = self.iris.iloc[0:100, 4].values
self.y = np.where(t == 'Iris-setosa', -1, 1)
# 꽃받침 길이, 꽃잎 추출
self.X = self.iris.iloc[0:100, [0, 2]].values
self.clf = Perceptron(eta=0.1, n_iter=10)
def get_iris(self):
return self.iris
def get_X(self):
return self.X
def get_y(self):
return self.y
def draw_scatter(self):
X = self.X
plt.scatter(X[:50, 0],
X[:50, 1],
color='red',
marker='o',
label='setosa')
plt.scatter(X[50:100, 0],
X[50:100, 1],
color='blue',
marker='x',
label='versicolor')
plt.xlabel('sepal length[cm]')
plt.ylabel('petal length[cm]')
plt.legend(loc='upper left')
plt.show()
def draw_errors(self):
X = self.X
y = self.y
self.clf.fit(X, y)
plt.plot(range(1,
len(self.clf.errors_) + 1),
self.clf.errors_,
marker='o')
plt.xlabel('Epoch')
plt.ylabel('Number of Errors')
plt.show()
def plot_decision_regions(self, X, y, classifier, resolution=0.02):
# 마커와 컬러맵을 설정합니다
markers = ('s', 'x', 'o', '^', 'v')
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
cmap = ListedColormap(colors[:len(np.unique(y))])
# 결정 경계를 그립니다
x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
"""
numpy 모듈의 arrange 함수는 반열린구간 [start, stop) 에서
step 의 크기만큼 일정하게 떨어져 있는 숫자들을
array 형태로 반환하는 함수
meshgrid 함수는 사각형 영역을 구성하는
가로축의 점들과 세로축의 점을
나타내는 두 벡터를 인수로 받아서
이 사각형 영역을 이루는 조합을 출력한다.
결과는 그리드 포인트의 x 값만을 표시하는 행렬과
y 값만을 표시하는 행렬 두 개로 분리하여 출력한다
"""
xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution),
np.arange(x2_min, x2_max, resolution))
Z = classifier.predict(np.array([xx1.ravel(), xx2.ravel()]).T)
Z = Z.reshape(xx1.shape)
plt.contourf(xx1, xx2, Z, alpha=0.3, cmap=cmap)
plt.xlim(xx1.min(), xx1.max())
plt.ylim(xx2.min(), xx2.max())
# 샘플의 산점도를 그립니다
for idx, cl in enumerate(np.unique(y)):
plt.scatter(x=X[y == cl, 0],
y=X[y == cl, 1],
alpha=0.8,
c=colors[idx],
marker=markers[idx],
label=cl,
edgecolor='black')
plot_decision_regions(X, y, classifier=self.clf)
plt.xlabel('sepal length [cm]')
plt.ylabel('petal length [cm]')
plt.legend(loc='upper left')
plt.show()
def draw_adaline_graph(self):
X = self.X
y = self.y
fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(10, 4))
ada1 = AdalineGD(n_iter=10, eta=0.01).fit(X, y)
ax[0].plot(range(1,
len(ada1.cost_) + 1),
np.log10(ada1.cost_),
marker='o')
ax[0].set_xlabel('Epochs')
ax[0].set_ylabel('log(Sum-squared-error)')
ax[0].set_title('Adaline - Learning rate 0.01')
ada2 = AdalineGD(n_iter=10, eta=0.0001).fit(X, y)
ax[1].plot(range(1, len(ada2.cost_) + 1), ada2.cost_, marker='o')
ax[1].set_xlabel('Epochs')
ax[1].set_ylabel('Sum-squared-error')
ax[1].set_title('Adaline - Learning rate 0.0001')
plt.show()
def draw_adaline_gd_graph(self):
# 특성을 표준화합니다.
X = self.X
y = self.y
X_std = np.copy(X)
X_std[:, 0] = (X[:, 0] - X[:, 0].mean()) / X[:, 0].std()
X_std[:, 1] = (X[:, 1] - X[:, 1].mean()) / X[:, 1].std()
ada = AdalineGD(n_iter=15, eta=0.01)
ada.fit(X_std, y)
plot_decision_regions(X_std, y, classifier=ada)
plt.title('Adaline - Gradient Descent')
plt.xlabel('sepal length [standardized]')
plt.ylabel('petal length [standardized]')
plt.legend(loc='upper left')
plt.tight_layout()
plt.show()
plt.plot(range(1, len(ada.cost_) + 1), ada.cost_, marker='o')
plt.xlabel('Epochs')
plt.ylabel('Sum-squared-error')
plt.tight_layout()
plt.show()
X = pd.DataFrame(iris.data, columns=iris.feature_names).iloc[0:100, [0,2]].values
y = iris.target[0:100]
y = np.where(y == 0, 1, -1)
plt.scatter(df.iloc[:49, 0], df.iloc[:49, 2],
color='red', marker='o', label='setosa')
plt.scatter(df.iloc[50:101,0], df.iloc[50:101, 2],
color='blue', marker='x', label='versicolor')
plt.scatter(df.iloc[102:,0], df.iloc[102:, 2],
color='green', marker='^', label='virginica')
plt.xlabel('sepal length[cm]')
plt.ylabel('petal length[cm]')
plt.legend(loc='upper left')
plt.show()
ppn = Perceptron(eta=0.01, n_iter=10)
ppn.fit(X,y)
plt.plot(range(1, len(ppn.errors_) + 1),
ppn.errors_, marker='o')
plt.xlabel('Epoch')
plt.ylabel('Number of errors')
plt.show()
from model.plot import plot_decision_regions
plot_decision_regions(X, y, classifier=ppn)
plt.xlabel('sepal length [cm]')
plt.ylabel('petal length [cm]')
plt.legend(loc='upper left')
