การใช้งาน Implement perceptron ในภาษา Python แบบง่ายๆ พร้อมตัวอย่าง

บทความ: การใช้งาน Implement Perceptron ในภาษา Python

ถ้าคุณกำลังมองหาหนทางเริ่มต้นเรียนรู้เกี่ยวกับการสร้างโมเดลการเรียนรู้ของเครื่อง (machine learning), หนึ่งในโมเดลที่ควรลองเรียนรู้คือ Perceptron. เปอร์เซปตรอน (Perceptron) เป็นอัลกอริทึมที่พื้นฐานสำหรับเรียนรู้แบบมีผู้สอน (supervised learning) ในการจำแนกหมวดหมู่ที่เป็นไบนารี (binary classification). ในบทความนี้ เราจะทำการ Implement perceptron ในภาษา Python พร้อมทั้งอธิบายการทำงานและยกตัวอย่าง usecase ในโลกจริง

ทำความเข้าใจ Perceptron

Perceptron ถูกพัฒนาขึ้นโดย Frank Rosenblatt ในปี 1957 และเป็นหนึ่งในอัลกอริทึมที่สร้างขึ้นเพื่อการจำลองการทำงานของเซลล์ประสาทในสมองมนุษย์ โดยมีโครงสร้างที่ง่ายและสามารถใช้ในการแยกข้อมูลที่เป็นเชิงเส้น (linearly separable data). โดยหลักการ, perceptron จะรับ input ที่มีหน้าที่เหมือนกับ synapses ในสมอง, จากนั้นจะคำนวณผลรวมและใช้ฟังก์ชันกระตุ้น (activation function) เพื่อทำการจำแนกว่าตัวอย่างนั้นๆ ควรจะอยู่ในหมวดหมู่ใด.

การ Implement Perceptron ใน Python

Python เป็นภาษาโปรแกรมมิ่งที่เหมาะกับการทดลองและพัฒนาในด้าน machine learning เนื่องจากมีไลบรารีสนับสนุนมากมาย เช่น NumPy, Pandas, และ Scikit-learn. ต่อไปนี้คือตัวอย่างโค้ดของการเขียน perceptron:

ตัวอย่าง Code 1: ออกแบบ Perceptron

 import numpy as np

class Perceptron(object):
    def __init__(self, learning_rate=0.01, n_iters=50):
        self.lr = learning_rate
        self.n_iters = n_iters
        self.activation_func = self._unit_step_func
        self.weights = None
        self.bias = None

    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.weights = np.zeros(n_features)
        self.bias = 0

        y_ = np.array([1 if i > 0 else 0 for i in y])

        for _ in range(self.n_iters):
            for idx, x_i in enumerate(X):
                linear_output = np.dot(x_i, self.weights) + self.bias
                y_predicted = self.activation_func(linear_output)

                update = self.lr * (y_[idx] - y_predicted)
                self.weights += update * x_i
                self.bias += update

    def predict(self, X):
        linear_output = np.dot(X, self.weights) + self.bias
        y_predicted = self.activation_func(linear_output)
        return y_predicted

    def _unit_step_func(self, x):
        return np.where(x >= 0, 1, 0)

ในโค้ดนี้, เราได้สร้างคลาส `Perceptron` ที่มีฟังก์ชัน `fit` สำหรับการฝึกโมเดลและฟังก์ชัน `predict` สำหรับการทำนายผลลัพธ์. ฟังก์ชัน `_unit_step_func` เป็นฟังก์ชันกระตุ้นที่จะคืนค่า 1 ถ้าการคำนวณแสดงว่าตัวอย่างควรจะอยู่ในหมวดหมู่ที่บวก และ 0 ถ้าควรจะอยู่ในหมวดหมู่ที่ลบ.

ตัวอย่าง Code 2: การฝึก Perceptron กับข้อมูล

 from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# โหลดข้อมูล Iris dataset
data = load_iris()
X = data.data[:100, :2]  # ใช้สอง feature แรกและจำกัดเพียงสองคลาส
y = data.target[:100]

# สร้างและฝึก perceptron
p = Perceptron(learning_rate=0.1, n_iters=1000)
p.fit(X, y)

# การวาดข้อมูลและเส้นแบ่ง
plt.scatter(X[:, 0], X[:, 1], c=y)
x1 = np.min(X[:, 0]), np.max(X[:, 0])
m = -p.weights[0]/p.weights[1]
c = -p.bias/p.weights[1]
x2 = m * x1 + c
plt.plot(x1, x2, 'k')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

ในตัวอย่างโค้ดที่สองนี้, เราใช้ข้อมูลชนิดดอก (Iris dataset) ที่เป็นที่นิยมในด้าน machine learning เพื่อทำการฝึก perceptron ที่เราได้สร้างไว้. เมื่อเราฝึกและทดสอบโมเดลมาจนพอสมควร, เราวาดข้อมูลและเส้นแบ่งประเภทของข้อมูลบนกราฟเพื่อดูว่า perceptron สามารถแยกข้อมูลได้ดีเพียงใด.

ตัวอย่าง Code 3: ทำนายผลลัพธ์ด้วย Perceptron

 # ทำนายผลลัพธ์
new_samples = np.array([[5.1, 3.5], [4.9, 3.0]])
predictions = p.predict(new_samples)
print("Predictions:", predictions)

สำหรับการทดสอบ, เราสามารถนำข้อมูลใหม่มาทดสอบกับโมเดล perceptron ที่เราได้ฝึกไว้. ให้ความสนใจว่าโมเดลจะทำนายผลลัพธ์ออกมาเป็นหมวดหมู่ไหนกับตัวอย่างข้อมูลที่ให้มา.

Usecase ในโลกจริง

Perceptron ถึงแม้จะเป็นโมเดลที่เรียบง่ายแต่สามารถใช้ได้กับหลายๆ สถานการณ์ เช่น การจดจำตัวอักษร, การจำแนกอีเมลที่เป็นสแปม หรือไม่เป็นสแปม, และการจำแนกภาพถ่ายว่ามีวัตถุที่เราสนใจอยู่หรือไม่. ในทางวิทยาศาสตร์, มันถูกใช้เพื่อจำแนกชนิดของโมเลกุลและการจำแนกเซลล์ความผิดปกติในสาขาการแพทย์.

ส่งท้าย

การเรียนรู้มาถึงขนาดนี้, คุณอาจเห็นว่า perceptron เป็นหน้าต่างที่เปิดให้เราเข้าสู่โลกของ machine learning อย่างไร? ที่ Expert Programming Tutor (EPT), เรามีหลากหลายหลักสูตรที่จะเติมเต็มความรู้และทักษะของคุณในด้านนี้. พร้อมที่จะเส้นทางการเริ่มต้นใหม่ในการเป็นนักวิทยาข้อมูลหรือไม่? มาร่วมค้นพบโอกาสที่ไม่รู้จบกับเราที่ EPT วันนี้!

อย่าลืมว่าโลกของการเขียนโปรแกรมนั้นกว้างขวางและไม่มีข้อจำกัด หวังว่าคุณจะสนุกกับการสำรวจและการเรียนรู้ในแต่ละก้าว. และจำไว้ว่า, การเรียนรู้ไม่มีสิ้นสุด, โดยเฉพาะอย่างยิ่งในโลกของการพัฒนาซอฟต์แวร์และการเขียนโปรแกรม.

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง