一、实验目的：

二、实验任务

1.使用MLP实现水果分类：

实验描述：

实验思路：

准备数据集，然后使用多层感知机（MLP）来训练一个模型，并使用测试集来评估模型的性能。首先，将文本数据转换为数值形式。使用独热编码（One-Hot Encoding）来处理颜色和形状特征。使用scikit-learn的OneHotEncoder或LabelEncoder与pandas库来准备数据。构建MLP模型：使用scikit-learn的MLPClassifier来构建多层感知机模型。使用训练数据来训练MLP模型。使用测试数据来评估模型的性能，通常使用准确率作为评价指标。最后预测给定水果的类别。

实验代码：

#MLP 实现水果分类
import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据
train_data = pd.DataFrame({
    '水果颜色': ['红色', '绿色', '橙色', '红色', '橙色', '绿色', '黄色'],
    '水果形状': ['圆形', '椭圆形', '圆形', '圆形', '椭圆形', '圆形', '圆形'],
    '类别': ['苹果', '梨', '橙子', '苹果', '橙子', '梨', '香蕉']
})

test_data = pd.DataFrame({
    '水果颜色': ['绿色', '黄色', '红色'],
    '水果形状': ['圆形', '圆形', '椭圆形']
})

# 数据预处理
label_encoder = LabelEncoder()
one_hot_encoder = OneHotEncoder(sparse=False)

# 定义特征和标签的列
feature_cols = ['水果颜色', '水果形状']
label_col = ['类别']

# 对特征和标签进行编码
ct = ColumnTransformer(
    [('one_hot_encoder', one_hot_encoder, feature_cols)],
    remainder='passthrough'
)

X_train = ct.fit_transform(train_data[feature_cols])
y_train = label_encoder.fit_transform(train_data[label_col])

X_test = ct.transform(test_data[feature_cols])

# 构建MLP模型
mlp = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000)

# 训练模型
mlp.fit(X_train, y_train)

# 预测
y_pred = mlp.predict(X_test)

# 评估模型（但测试集没有真实的标签，所以我们这里只打印预测结果）
print("Predicted Classes:", label_encoder.inverse_transform(y_pred))

# 如果有真实的测试集标签，可以这样计算准确率
# y_test = label_encoder.transform(test_data['真实的类别列'])  # 假设我们有一个真实的类别列
# accuracy = accuracy_score(y_test, y_pred)
# print("Accuracy:", accuracy)

实验结果：

2.使用BP神经网络实现特征分类：

实验描述：

实验思路：

通过例子可知，若特征1的值大于特征2的值结果为0，反正结果为1.

首先，导入了必要的库，包括numpy用于数值计算，以及MLPClassifier和accuracy_score用于神经网络分类和性能评估。

接着，我们手动定义了训练数据集X_train和对应的标签y_train，以及一个测试数据集X_test。

然后，创建了一个MLPClassifier对象，并设置了隐藏层的大小、最大迭代次数和随机状态等参数。

使用训练数据集和标签，调用fit方法对模型进行训练。训练完成后，使用predict方法对测试数据集进行预测，并将预测结果存储在y_pred中。

实验代码：

import numpy as np
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载和预处理数据
X_train = np.array([[2.0, 1.0], [3.0, 1.5], [4.0, 1.5], [3.5, 0.5], [5.0, 1.0],
                    [1.0, 3.0], [1.5, 5.0], [3.5, 4.5], [5.0, 7.0], [5.5, 8.0]])
y_train = np.array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])

X_test = np.array([[2.5, 1.5], [4.5, 3.0], [3.0, 5.5], [5.5, 4.5]])

# 定义BP神经网络模型
mlp = MLPClassifier(hidden_layer_sizes=(10,), max_iter=1000, random_state=1)

# 训练模型
mlp.fit(X_train, y_train)

# 预测测试集
y_pred = mlp.predict(X_test)

# 评估模型性能（如果有真实的测试集标签）
# 这里我们假设真实的测试集标签是未知的，但如果有的话，你可以这样计算准确率：
# y_test_real = np.array([...])  # 这里填入真实的测试集标签
# accuracy = accuracy_score(y_test_real, y_pred)
# print("Accuracy:", accuracy)

# 打印预测结果
print("Predicted Classes:", y_pred)

实验结果：

3.编程实现K-Means算法：

实验描述：

实验思路：

使用了 sklearn.cluster.KMeans 类来执行 K-means 聚类，并使用 StandardScaler 对数据进行标准化处理。然后，绘制了散点图来可视化聚类结果，其中每个数据点都根据其聚类标签着色，聚类中心用黑色大圆点表示。

实验代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 1. 准备数据集
data = {
    'Height': [170, 168, 175, 162, 180, 158, 163, 166, 172, 159, 171, 165, 174, 177, 169, 173, 161, 167, 176, 164],
    'ShoeSize': [7, 6, 9, 6, 10, 5, 6, 7, 8, 5, 7, 6, 8, 9, 7, 8, 6, 7, 9, 6]
}
df = pd.DataFrame(data)

# 2. 数据标准化（可选步骤，但通常有助于聚类）
scaler = StandardScaler()
scaled_data = scaler.fit_transform(df)

# 3. 使用 sklearn 的 KMeans 类进行聚类
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(scaled_data)

# 获取聚类标签和聚类中心
labels = kmeans.labels_
centroids = kmeans.cluster_centers_

# 将聚类标签添加到原始数据框
df['Cluster'] = labels

# 4. 可视化聚类结果
plt.scatter(df['Height'], df['ShoeSize'], c=df['Cluster'], cmap='viridis', marker='o')
plt.scatter(centroids[:, 0], centroids[:, 1], c='black', s=200, alpha=0.5)

# 设置坐标轴范围
plt.xlim(150, 190)  # 设置横坐标（身高）范围为150-190
plt.ylim(min(df['ShoeSize']) - 0.5, max(df['ShoeSize']) + 1.5)  # 为鞋码增加一些缓冲

# 设置坐标轴刻度标签更细化
plt.xticks(np.arange(150, 190, 5))  # 横坐标（身高）每5cm一个刻度
plt.yticks(np.arange(min(df['ShoeSize']) - 0.5, max(df['ShoeSize']) + 1.5, 1))  # 纵坐标（鞋码）每1个单位一个刻度

plt.xlabel('Height (cm)')
plt.ylabel('Shoe Size')
plt.title('K-means Clustering of Height and Shoe Size')
plt.grid(True)  # 可选：添加网格线以使图表更清晰
plt.show()

实验结果：

4.使用 sklearn 库中的 K-means 方法实现鸢尾花数据集聚类任务：

实验描述：

实验思路：

首先加载了鸢尾花数据集，并使用 KMeans 算法进行聚类。由于鸢尾花数据集有四个特征，使用了 PCA（主成分分析）将其降至二维以便可视化。然后，根据聚类标签在二维 PCA 空间中绘制了数据点，并添加了聚类中心的标记。最后，显示了整个图表。

实验代码：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn import datasets
from sklearn.decomposition import PCA  # 用于降维以便可视化

# 1. 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 2. 使用 KMeans 进行聚类
kmeans = KMeans(n_clusters=3, random_state=0)
kmeans.fit(X)

# 3. 获取聚类标签
labels = kmeans.labels_

# 4. 由于有四个特征，我们使用 PCA 将其降至二维以便可视化
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 5. 可视化聚类结果
plt.scatter(X_pca[labels == 0, 0], X_pca[labels == 0, 1], s=50, c='lightgreen', marker='s', label='Cluster 1')
plt.scatter(X_pca[labels == 1, 0], X_pca[labels == 1, 1], s=50, c='orange', marker='o', label='Cluster 2')
plt.scatter(X_pca[labels == 2, 0], X_pca[labels == 2, 1], s=50, c='lightblue', marker='v', label='Cluster 3')

# 画出聚类中心
centers = pca.transform(kmeans.cluster_centers_)
plt.scatter(centers[:, 0], centers[:, 1], c='black', s=200, alpha=0.5, label='Centroids')

plt.xlabel('PCA Feature 1')
plt.ylabel('PCA Feature 2')
plt.title('K-means Clustering of Iris Dataset')
plt.legend()
plt.show()

实验结果：