def func_data(x_data):
return [arr_y[i] for i in range(len(arr_y))]
# Функция для отображения начальной прямой
def func_begin(x_begin):
return [A_vis*i for i in x_begin]
# Функция для отображения готовой прямой
def func(x):
return [A*i for i in x]
# Значения по X входных данных
x_data = arr_x
# Значения по X начальной прямой (диапазон значений)
x_begin = [i for i in range(0, 11)]
# Значения по X готовой прямой (диапазон значений)
x = [i for i in range(0, 11)]
#x = np.arange(0,11,1)
# Значения по Y входных данных
y_data = func_data(x_data)
# Значения по Y начальной прямой
y_begin = func_begin(x_begin)
# Значения по Y готовой прямой
y = func(x)
# Зададим имена графику и числовым координатам
plt.title("Neuron")
plt.xlabel("X")
plt.ylabel("Y")
# Зададим имена входным данным и прямым
plt.plot(x,y, label='Входные данные', color = 'g')
plt.plot(x,y, label='Готовая прямая', color = 'r')
plt.plot(x,y, label='Начальная прямая', color = 'b')
plt.legend(loc=2) #loc – локация имени, 2 – справа в углу
# представляем точки данных (х,у) кружочками диаметра 10
plt.scatter(x_data, y_data, color ='g', s=10)
# Начальная прямая
plt.plot(x_begin, y_begin, 'b')
# Готовая прямая
plt.plot(x, y, 'r')
# Сетка на фоне для улучшения восприятия
plt.grid(True, linestyle='-', color='0.75')
# Показать график
plt.show
При выполнении кода, результат визуализации окажется следующим:
Исходники с программами вы можете найти по ссылке: https://github.com/CaniaCan/neuralmaster
Перед тем как описать полученный результат, сперва опишем работу нашего кода пакета matplotlib.
В функциях отображения входных данных – def func_data(x_data), def func_data(x_begin), def func_data(x), возвращаем координаты y, в соответствии со своими значениями по х.
Зададим имена графику – plt.title, и числовым координатам – plt.xlabel:
plt.title("Neuron")
plt.xlabel("X")
plt.ylabel("Y")
Зададим имена входным данным и прямым – plt.plot, в скобках укажем имя и цвет, plt.legend(loc=2) – определяет нахождение данных имен на плоскости:
plt.plot(x,y, label='Входные данные', color = 'g')
plt.plot(x,y, label='Готовая прямая', color = 'r')
plt.plot(x,y, label='Начальная прямая', color = 'b')
plt.legend(loc=2) #loc – локация имени, 2 – справа в углу
Метод scatter выводит на плоскость точки с заданными координатами:
plt.scatter(x_data, y_data, color ='g', s=10)
Метод plot выводит на плоскость прямую по заданным точкам:
plt.plot(x, y, 'r')
Ну и наконец отображаем все что натворили, командой plt.show.
Теперь разберем получившийся график. Синим – отмечена начальная прямая, которая изначально не выполняла никакой классификации. После обучения, значение коэффициента A, стабилизируется возле числа = 2.05. Если провести прямую функции y = Ax = 2.05*x, отмеченной красным на графике, то получим значения близкие к нашим входным данным (на графике – зеленые точки).
А что если, наш обученный нейрон смог бы правильно отвечать на вводимые пользователем данные? Если задать условие, что всё что выше красной линии относится к виду – жирафов, а ниже к виду – крокодилов:
x = input("Введите значение ширины Х: ")
x = int(x)
T = input("Введите значение высоты Y: ")
T = int(T)
y = A * x
# Условие
if T > y:
print('Это жираф!')
else:
print('Это крокодил!')
Функция input – принимает значение, вводимое пользователем. А условие гласит: если целевое значение (вводимое пользователем) больше ответа на выходе нейрона (выше красной линии), то сообщаем что – это жираф, иначе сообщаем что – это крокодил.
После ввода наших значений, получаем ответ:
Введите значение ширины Х: 4
Введите значение высоты Y: 15
Это жираф!
Теперь мы можем поздравить себя! Вся наша работа стала сводиться к тому, чтоб просто подавать на вход нейрона данные, не разбираясь в них самостоятельно. Нейрон сам классифицирует их и даст правильный ответ.
Если бы наши действия на работе сводились к подобным классификациям, то у нас появилась бы куча времени на кофе, очень важных общений в социальных сетях, и даже останется время, чтоб разложить пасьянс. И при всем этом можно выполнять ещё больший объём работы, что конечно же должно вознаграждаться премиальными и повышением зарплаты.
Теперь представим, что нам приходит новое задание. Где, проанализировав самостоятельно данные, мы видим, что их координаты значительно отличаются от прежних. Теперь провести классифицирующую прямую, обладая в своем арсенале лишь коэффициентом крутизны – не выйдет!
Очевидно, что без параметра b, которого мы до этого избегали (b=0), тут не обойтись.
Вспомним, что параметр b, в уравнении прямой y = Ax + b, как раз отвечает за точку её пересечения с осью Y. На графике выше, такая точка очевидно находится возле координаты – (x =0; y =11).
Для того, чтобы выполнить новое задание, придется добавить в наш нейрон, второй вход – отвечающий за параметр b.
