# Python-神经网络实现数据的分类

1、

```ppn = Perceptron(eta = 0.1, n_iter = 10)
ppn.fit(X, y)
plt.plot(range(1, len(ppn.errors_)+1), ppn.errors_, marker = 'o')
plt.xlabel('Epochs')
plt.ylabel('错误分类次数')
plt.show()```

2、数据处理

```from matplotlib.colors import ListedColormap
def plot_decision_regions(X, y, classifier, resolution = 0.02):
"""
根据y给不同的种类填充不同的形状和颜色
（这里的y只有两种）
"""
markers = ('s', 'x', 'o', 'v')
colors = ('red', 'blue', 'lightgreen', 'gray', 'cyan')
cmap = ListedColormap(colors[:len(np.unique(y))])
"""
获得花茎和花瓣在数据统计中的最大值和最小值
"""
x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max()
x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max()

#print(x1_min, x2_max)
#print(x1_min, x2_max)
"""

"""
#meshgrid根据 最大值和最小值 以及间距resolution构造向量并扩展为二维数组
xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution))

#print(np.arange(x1_min, x1_max, resolution).shape)
#print(np.arange(x1_min, x1_max, resolution))
#print(xx1.shape)
#print(xx1)

Z = classifier.predict(np.array([xx1.ravel(),xx2.ravel()]).T)
#print(xx1.ravel())
#print(xx2.ravel())
#print(z)

Z = Z.reshape(xx1.shape)
plt.contourf(xx1, xx2, Z, alpha = 0.4, cmap = cmap)
plt.xlim(xx1.min(), xx1.max())
plt.ylim(xx2.min(), xx2.max())

for idx, c1 in enumerate(np.unique(y)):
plt.scatter(x = X[y == c1, 0], y = X[y == c1, 1], alpha = 0.8, c = cmap(idx), marker = markers[idx], label = c1)

```

3、数据可视化

```plot_decision_regions(X, y, ppn, resolution = 0.02)
plt.xlabel('花茎长度')
plt.ylabel('花瓣长度')
plt.legend(loc = 'upper left')
plt.show()```

﻿

﻿