（loc="upperleft"）
（）
In[15]：data_show（ ）
图6-4
利用sklearn提供的感知器，对抽取出的数据进行学习。学习过程一共迭代10次，学习速率设定为0.1。
In[16]：flower_classifier=Perceptron（n_iter=10，eta0=0.1）
In[17]：flower_classifier.fit（flower_shape，flower_class）
Out[17]：
Perceptron（alpha=0.0001，class_weight=None，eta0=0.1，fit_interce
pt=True，n_iter=10，n_jobs=1，penalty=None，random_stat
e=0，shuffle=True，verbose=0，warm_start=False）
学习完毕后，计算学习结果的准确率。可以看到准确率为100%（1.0）。这表明，学习结束后得到的模型在这个数据集上的分类准确率是100%，也就是对这些数据可以给出完全正确的分类。通常应该把数据集划分为训练集和检测集，通过训练集学习，再通过检测集评估结果。在这个案例中没有把数据划分为两个部分。一是因为这个问题比较简单，二是可用的数据较少。
In[18]：accuracy=flower_classifier.score（flower_shape，flower_class）
In[19]：print（accuracy）
1.0
可以定义一个绘图函数，来显示这个分类器的决策边界。结果显示如图6-5所示。
In[20]：defplot_decision_regions（x，y，classifier，resolution=0.2）：
markers=（'s'，'x'，'o'，'^'，'v'）
colors=（'red'，'blue'，'lightgreen'，'gray'，'cyan'）
listedColormap=ListedColormap（colors[：len（np.
unique（y））]）
x1_min=0
x1_max=8
x2_min=0
x2_max=6
new_x1=（x1_min，x1_max，resolution）
new_x2=（x2_min，x2_max，resolution）
xx1，xx2=（new_x1，new_x2）
z=（（[（），xx2.
ravel（）]）.T）
z=（）
（xx1，xx2，z，alpha=0.4，camp=listedColor
map）
（（），（））
（（），（））
foridx，c1inenumerate（（y））：
（x=x[y==c1，0]，y=x[y==c1，1]，alpha=0.8，
c=listedColormap（idx），marker=markers[id
x]，label=c1）
In[21]：defdecision_regions_show（）：
