如何在 scikit-learn 的感知器中实现 'And' 函数

Question

我是机器学习和 scikit-learn 的新手。我试图在 scikit-learn 中实现 'and' 函数并编写了如下小代码：

import pandas as pd
from pandas import Series,DataFrame
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

df = DataFrame([[0,0,0],[0,1,0],[1,0,0],[1,1,1]],columns=list('abc'))
X = df[['a','b']]
y=df['c']

scalar_model = StandardScaler()

train_test_split =X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

scalar_model = StandardScaler()

scalar_model.fit(X_train)

X_train_std = scalar_model.transform(X_train)
X_test_std = scalar_model.transform(X_test)

from sklearn.linear_model import Perceptron

#perceptron initialization
ppn = Perceptron(n_iter = 100,eta0=0.1,random_state=0)

#fit the model with standardized data
ppn.fit(X_train_std,y_train)

#make predications
y_pred = ppn.predict(X_test_std)

from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred) * 100
error = (1-accuracy_score(y_test, y_pred))*100


print("Accuracy: {} %".format(accuracy))
print("error: {} %".format(error))

在运行代码之后我得到以下结果：

  Accuracy: 0.0 %
    error: 100.0 %

这是我的问题：

为什么感知器在 100 次迭代后没有训练。
我从手册中了解到，如果没有为特征分配权重，它们会自动分配。
如果我想在 0 和 1 的范围内随机分配权重给特征，我该怎么做。

Answer 1

通过拆分你已经很小的数据集 - 你没有给 Perceptron 正确学习的机会。除此之外，在这种情况下，缩放输入数据集没有任何意义。

演示：

In [257]: ppn.fit(X,y)
Out[257]:
Perceptron(alpha=0.0001, class_weight=None, eta0=0.1, fit_intercept=True,
      max_iter=None, n_iter=100, n_jobs=1, penalty=None, random_state=0,
      shuffle=True, tol=None, verbose=0, warm_start=False)

In [258]: ppn.predict([[1,1], [0,1]])
Out[258]: array([1, 0], dtype=int64)

如何在 scikit-learn 的感知器中实现 'And' 函数

How to implement 'And' function in perceptron in scikit-learn

python

scikit-learn

neural-network

perceptron