調用sklearn包中datasets，里面有好像iris數據集

iris數據集，可以到我的百度網盤下載：

https://pan.baidu.com/s/17dK9fdGHzGY1SfI-s1pt6w

class?AdalineG(object):????
????"""????
????eta:float????
????學習效率，處于0和1之間????????
????n_iter:int????對訓練數據進行學習改進次數????????
????w_:一維向量????
????存儲權重數值????????
????error_:????存儲每次迭代改進時，網絡對數據進行錯誤判斷的次數????
????"""????????????
????def?__init__(self,eta=0.01,n_iter=50):????????
????????self.eta?=?eta????????
????????self.n_iter?=?n_iter????????????
????def?net_input(self,?X):????????
????????return?np.dot(X,?self.w_[1:])?+?self.w_[0]????????
????def?activation(self,?X):????????
????????return?self.net_input(X)???????
????def?predict(self,?X):????????
????????return?np.where(self.activation(X)?>=0,?1,?-1)????????
????def?fit(self,?X,?y):????????
????????"""????????
????????X:二維數組[n_sampls,?n_features]????????
????????n_samples?表示X中含有訓練數據條目數????????
????????n_faetures?含有4個數據的一維向量，用于表示一條訓練條目????????????????
????????y:一維向量????????
????????用于存儲每一訓練條目對應的正確分類????????
????????"""????????????????
????????self.w_?=?np.zeros(1?+?X.shape[1])????????
????????self.cost_?=?[]????????????????
????????for?i?in?range(self.n_iter):????????????
????????????output?=?self.net_input(X)????????????
????????????errors?=?(y-output)????????????
????????????self.w_[1:]?+=?self.eta?*?X.T.dot(errors)????????????
????????????self.w_[0]?+=?self.eta?*?errors.sum()????????????
????????????cost?=?(errors?**?2).sum()?/2.0????????????
????????????self.cost_.append(cost)????????
????????return?self
????????
????????
file?=?"D:/PyCharm_test_file/Jupyter_test/iris1.xlsx"?#此處添加iris數據集
import?pandas?as?pd
df?=?pd.read_excel(file,header=None)
import?matplotlib.pyplot?as?plt
import?numpy?as?np
y?=?df.loc[0:99,?4].values
y?=?np.where(y?==?'Iris-setosa',?-1,?1)
X?=?df.iloc[0:100,?[0,?2]].values


from?matplotlib.colors?import?ListedColormap
def?plot_decision_regions(X,?y,?classifier,?resolution=0.02):????
????marker?=?('s',?'x',?'o',?'v')????
????colors?=?('red',?'blue',?'lightgreen',?'gray',?'cyan')????
????cmap?=?ListedColormap(colors[:len(np.unique(y))])????
????x1_min,?x1_max?=?X[:,?0].min()?-?1,?X[:,?0].max()????
????x2_min,?x2_max?=?X[:,?1].min()?-?1,?X[:,?1].max()????
????#將x1、x2最大最小值通過arange函數得到的向量，擴展成兩個二維矩陣????
????xx1,?xx2?=?np.meshgrid(np.arange(x1_min,?x1_max,?resolution),?np.arange(x2_min,?x2_max,?resolution))????
????#預測????
????Z?=?classifier.predict(np.array([xx1.ravel(),?xx2.ravel()]).T)?#ravel還原成單維向量????
????#繪制????
????Z=?Z.reshape(xx1.shape)?#將Z轉換成與xx1一樣的二維數組????
????plt.contourf(xx1,?xx2,?Z,?alpha=0.4,?cmap=cmap)?#在兩組分類結果中間畫分割線-->必須線性可分????
????plt.xlim(xx1.min(),?xx1.max())????
????plt.ylim(xx2.min(),?xx2.max())????
????for?idx,?cl?in?enumerate(np.unique(y)):????????
????????plt.scatter(x=X[y==cl,?0],?y=X[y==cl,?1],?alpha=0.8,?c=cmap(idx),?marker=marker[idx],?label=cl)
????????
????????
????????
ada?=?AdalineG(eta=0.0001,?n_iter=50)
ada.fit(X,?y)
plot_decision_regions(X,?y,?classifier=ada)
plt.title('Adaline-Gradient?descent')
plt.rcParams['font.sans-serif']=['SimHei']
plt.xlabel('花莖長度')
plt.ylabel('花瓣長度')
plt.legend(loc='upper?left')
plt.show()
"""
打印出模型對數據判斷的錯誤次數（迭代過程）
"""
plt.plot(range(1,?len(ada.cost_)+1),?ada.cost_,?marker='o')
plt.xlabel('Epochs（迭代次數）')
plt.ylabel('sum-squard-error')plt.show()