快乐虾
欢迎转载，但请保留作者信息
中调用它。
和前面的贝叶斯分类器一样，神经网络也遵循先训练再使用的方式，我们直接在贝叶斯分类器的测试代码上做简单修改，，完成两类数据点的分类。
首先也是先创建训练用的数据：
# 训练的点数train_pts = 30# 创建测试的数据点，2类# 以(-1.5, -1.5)为中心rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2)print(‘rand1：’)print(rand1)# 以(1.5, 1.5)为中心rand2 = np.ones((train_pts,2)) + np.random.rand(train_pts, 2)print(‘rand2:’)print(rand2)# 合并随机点，得到训练数据train_data = np.vstack((rand1, rand2))train_data = np.array(train_data, dtype=’float32′)train_label = np.vstack( (np.zeros((train_pts,1), dtype=’float32′), np.ones((train_pts,1), dtype=’float32′)))# 显示训练数据plt.figure(1)plt.plot(rand1[:,0], rand1[:,1], ‘o’)plt.plot(rand2[:,0], rand2[:,1], ‘o’)
类似这样的数据：
在得到训练数据后，接着创建一个网络并配置训练参数：
# 创建网络ann = cv2.ml.ANN_MLP_create()ann.setLayerSizes(np.array([2, 10, 10, 1])) # 必须首先执行此行ann.setActivationFunction(cv2.ml.ANN_MLP_SIGMOID_SYM)ann.setTrainMethod(cv2.ml.ANN_MLP_BACKPROP)ann.setBackpropWeightScale(0.1)ann.setBackpropMomentumScale(0.1)
个节点。
接着我们对此网络进行训练：
# 训练ret = ann.train(train_data, cv2.ml.ROW_SAMPLE, train_label)
在训练完成后就可以使用测试数据进行预测了：
# 测试数据，20个点[-2,2]pt = np.array(np.random.rand(20,2) * 4 – 2, dtype=’float32′)(ret, res) = ann.predict(pt)
为阈值进行分类并显示结果：
# 按label进行分类显示plt.figure(2)res = np.hstack((res, res))# 第一类type_data = pt[res < 0.5]type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))plt.plot(type_data[:,0], type_data[:,1], ‘o’)# 第二类type_data = pt[res >= 0.5]type_data = np.reshape(type_data, (type_data.shape[0] / 2, 2))plt.plot(type_data[:,0], type_data[:,1], ‘o’)
看看最后的结果：
版权声明：本文为博主原创文章，未经博主允许不得转载。
失败是成功之母
