用线性单元（LinearUnit）实现工资预测的Python3代码

　　功能：通过样本进行训练，让线性单元自己找到（这就是所谓机器学习）工资计算的规律，然后用两组数据进行测试机器是否真的get到了其中的规律。

　　原文链接在文尾，文章中的代码为了演示起见，仅根据工作年限来预测工资，参数是一维的，最后绘制的图也是平面图。本着学习的态度，我将代码改为能根据两个参数来预测工资，两个参数分别是工作年限和级别，并且用3D图绘制出拟合的效果。原作者的代码是适用于Python2.7的，我的代码适用于Python3，谨供参考。

　　注意：绘图代码需要安装matplotlib。

代码：

 #!/usr/bin/env python
 # -*- coding: UTF-8 -*-

 from Perceptron import Perceptron

 #定义激活函数f
 f = lambda x: x

 class LinearUnit(Perceptron):
     def __init__(self, input_num):
         '''初始化线性单元，设置输入参数的个数'''
         Perceptron.__init__(self, input_num, f)

 def get_training_dataset():
     '''
     捏造5个人的收入数据
     '''
     # 构建训练数据
     # 输入向量列表，每一项的第一个是工作年限，第二个是级别
     # 构造这些数据所用的公式是：工资=1000*年限 + 500*级别，看机器是否能猜出来
     input_vecs = [[5,1], [3, 7], [8,2], [1.5,5], [10,6]]
     # 期望的输出列表，月薪，注意要与输入一一对应。【注意！ 我故意让结果不太准确，这也会导致预测的结果有偏差】
     labels = [5200, 6700, 9300, 3500, 15500]
     return input_vecs, labels    

 def train_linear_unit():
     '''
     使用数据训练线性单元
     '''
     # 创建感知器，输入参数的特征数为2（工作年限，级别）
     lu = LinearUnit(2)
     # 训练，迭代10轮, 学习速率为0.005
     input_vecs, labels = get_training_dataset()
     lu.train(input_vecs, labels, 10, 0.005)
     #返回训练好的线性单元
     return lu

 def plot(linear_unit):
     import numpy as np
     from mpl_toolkits.mplot3d import Axes3D
     import matplotlib.pyplot as plt
     input_vecs, labels = get_training_dataset()
     fig = plt.figure()
     ax = Axes3D(fig)
     ax.scatter(list(map(lambda x: x[0], input_vecs)),
                list(map(lambda x: x[1], input_vecs)),
                labels)

     weights = linear_unit.weights
     bias = linear_unit.bias
     x = range(0,12,1) # work age
     y = range(0,12,1) # level
     x, y = np.meshgrid(x, y)
     z = weights[0] * x + weights[1] * y + bias
     ax.plot_surface(x, y, z, cmap=plt.cm.winter)

     plt.show()

 if __name__ == '__main__':
     '''训练线性单元'''
     linear_unit = train_linear_unit()
     # 打印训练获得的权重
     #print (linear_unit)
     # 测试
     print ('预测：')
     print ('Work 3.4 years, level 2, monthly salary = %.2f' % linear_unit.predict([3.4,2]))
     print ('Work 15 years, level 6, monthly salary = %.2f' % linear_unit.predict([15,6]))
     plot(linear_unit)

为了代码的正常运行，你可能还需要下面这个感知机的类文件，另存为Perceptron.py（注意大小写），和上面的代码放在同一个目录下即可。

 #coding=utf-8

 from functools import reduce  # for py3

 class Perceptron(object):
     def __init__(self, input_num, activator):
         '''
         初始化感知器，设置输入参数的个数，以及激活函数。
         激活函数的类型为double -> double
         '''
         self.activator = activator
         # 权重向量初始化为0
         self.weights = [0.0 for _ in range(input_num)]
         # 偏置项初始化为0
         self.bias = 0.0
     def __str__(self):
         '''
         打印学习到的权重、偏置项
         '''
         return 'weights\t:%s\nbias\t:%f\n' % (self.weights, self.bias)

     def predict(self, input_vec):
         '''
         输入向量，输出感知器的计算结果
         '''
         # 把input_vec[x1,x2,x3...]和weights[w1,w2,w3,...]打包在一起
         # 变成[(x1,w1),(x2,w2),(x3,w3),...]
         # 然后利用map函数计算[x1*w1, x2*w2, x3*w3]
         # 最后利用reduce求和

         #list1 = list(self.weights)
         #print ("predict self.weights:", list1)

         return self.activator(
             reduce(lambda a, b: a + b,
                    list(map(lambda tp: tp[0] * tp[1],
                        zip(input_vec, self.weights)))
                 , 0.0) + self.bias)
     def train(self, input_vecs, labels, iteration, rate):
         '''
         输入训练数据：一组向量、与每个向量对应的label；以及训练轮数、学习率
         '''
         for i in range(iteration):
             self._one_iteration(input_vecs, labels, rate)

     def _one_iteration(self, input_vecs, labels, rate):
         '''
         一次迭代，把所有的训练数据过一遍
         '''
         # 把输入和输出打包在一起，成为样本的列表[(input_vec, label), ...]
         # 而每个训练样本是(input_vec, label)
         samples = zip(input_vecs, labels)
         # 对每个样本，按照感知器规则更新权重
         for (input_vec, label) in samples:
             # 计算感知器在当前权重下的输出
             output = self.predict(input_vec)
             # 更新权重
             self._update_weights(input_vec, output, label, rate)

     def _update_weights(self, input_vec, output, label, rate):
         '''
         按照感知器规则更新权重
         '''
         # 把input_vec[x1,x2,x3,...]和weights[w1,w2,w3,...]打包在一起
         # 变成[(x1,w1),(x2,w2),(x3,w3),...]
         # 然后利用感知器规则更新权重
         delta = label - output
         self.weights = list(map( lambda tp: tp[1] + rate * delta * tp[0], zip(input_vec, self.weights)) )

         # 更新bias
         self.bias += rate * delta

         print("_update_weights() -------------")
         print("label - output = delta:" ,label, output, delta)
         print("weights ", self.weights)
         print("bias", self.bias)

 def f(x):
     '''
     定义激活函数f
     '''
     return 1 if x > 0 else 0

 def get_training_dataset():
     '''
     基于and真值表构建训练数据
     '''
     # 构建训练数据
     # 输入向量列表
     input_vecs = [[1,1], [0,0], [1,0], [0,1]]
     # 期望的输出列表，注意要与输入一一对应
     # [1,1] -> 1, [0,0] -> 0, [1,0] -> 0, [0,1] -> 0
     labels = [1, 0, 0, 0]
     return input_vecs, labels 

 def train_and_perceptron():
     '''
     使用and真值表训练感知器
     '''
     # 创建感知器，输入参数个数为2（因为and是二元函数），激活函数为f
     p = Perceptron(2, f)
     # 训练，迭代10轮, 学习速率为0.1
     input_vecs, labels = get_training_dataset()
     p.train(input_vecs, labels, 10, 0.1)
     #返回训练好的感知器
     return p

 if __name__ == '__main__':
     # 训练and感知器
     and_perception = train_and_perceptron()
     # 打印训练获得的权重

     # 测试
     print (and_perception)
     print ('1 and 1 = %d' % and_perception.predict([1, 1]))
     print ('0 and 0 = %d' % and_perception.predict([0, 0]))
     print ('1 and 0 = %d' % and_perception.predict([1, 0]))
     print ('0 and 1 = %d' % and_perception.predict([0, 1]))

正常运行的话，输出的预测结果是这样的：

预测：
Work 3.4 years, level 2, monthly salary = 5125.02
Work 15 years, level 6, monthly salary = 20815.01

由上可见，本例中两个输入一个输出的线性单元拟合出来的是一个平面（因为预设的工资公式是线性的）。在旋转一个角度后看的更清楚：

原文链接：

https://www.zybuluo.com/hanbingtao/note/448086

文章写的很好，代码也漂亮，墙裂推荐大家看看原文。