感知機是可進行二分類的線性分類模型，其輸入為實例的特征向量，輸出為實例的類別（+1，-1）。感知機學習旨在求出將訓練樣本進行線性分類的分離超平面，也就是說求模型的參數(shù)w，b，并能對新的輸入實例預測其對應的輸出類別。

注：超平面是指在空間Rd上的一個子空間Rd-1，在二維空間中的超平面就是一條直線，三維空間的超平面是平面。超平面是平面中直線、空間中平面的推廣。

0 感知機主要學習內(nèi)容

1）感知機模型

2）感知機學習策略：損失函數(shù)

3）感知機學習算法：隨機梯度下降法

1 感知機模型

1.1感知機定義[1]

1.2感知機的幾何解釋

感知機可看作是一個線性方程：

2.2感知機學習策略

感知機的學習目標是求得一個能夠?qū)⒂柧毤_分類的超平面，也就是要確定感知機模型的參數(shù)w，b。故需要確定一個學習策略，即定義一個損失函數(shù)并將損失函數(shù)極小化。

損失函數(shù)的一個度量方式是誤分類點的總數(shù)，但是這樣的損失函數(shù)不是參數(shù)w,b的連續(xù)可導函數(shù)，不易于優(yōu)化。所以感知機采用的是另一種方法，即誤分類點到超平面S的總距離來作為損失函數(shù)。

高中的時候，我們就學習了點到直線的距離公式，大家可否都還記得？

2.2.1損失函數(shù)的定義[1]

M為誤分類點的集合。這個損失函數(shù)是感知機學習的經(jīng)驗風險函數(shù)。

損失函數(shù)一定是非負的，如果沒有誤分類的點，則損失函數(shù)為0。誤分類的點越少，且誤分類點離超平面越近，則損失函數(shù)就越小。對于一個特定的樣本點損失函數(shù)：在誤分類時其可表示為參數(shù)w，b的線性函數(shù)，在正確分類時為0，因此，在訓練數(shù)據(jù)集上，損失函數(shù)都是連續(xù)可導函數(shù)。故可以通過隨機梯度下降法選取使損失函數(shù)最小的感知機模型。怎么進行隨機梯度下降呢?

2.3感知機學習算法

2.3.1感知機學習算法的原始形式[1]

感知機學習算法是誤分類驅(qū)動的，任意選取一個超平面，其參數(shù)假設為w0，b0，可采用隨機梯度下降法不斷地極小化損失函數(shù)，極小化過程中不是一次將M中所有誤分類點都梯度下降，而是一次隨機選取一個誤分類點使其梯度下降。

答案是否定的，大家有興趣的話不妨嘗試一下。

由上述可見，感知機學習算法由于采用不同的初值或選取不同的誤分類點，解是不同的。

2.3.2感知機學習算法的對偶算法[1]

前面介紹的是感知機學習算法的原始形式，現(xiàn)在介紹一下感知機學習算法的對偶形式。

對偶形式的感知機算法[1]

注：在相同的參數(shù)初值和誤分類點輸入相同的情況下，對偶形式和原始形式的結(jié)果一致，迭代步驟也是相互對應的。

2.3.3算法的收斂性[1]

3 感知機算法總結(jié)

感知機學習算法原理簡單，適應于數(shù)據(jù)線性可分的條件下，且存在無窮多個解，其解由于不同的初值或不同的迭代順序而可能有所不同。

對于線性可分數(shù)據(jù)集感知機學習算法原始形式和對偶形式得迭代是收斂的，當線性不可分時，感知機學習算法不收斂，迭代會發(fā)生動蕩。故感知機學習算法只適應于線性可分的訓練數(shù)據(jù)集。

4 感知機的應用

1.神經(jīng)網(wǎng)絡的基礎(chǔ)

2.垃圾分類上的應用

3.模擬混合電路故障診斷中的應用

4.經(jīng)典數(shù)據(jù)集鳶尾花上的應用

參考文獻

[1] 李航，《統(tǒng)計學習方法》

[2] https://blog.csdn.net/DawnRanger/article/details/49500025

[3] https://www.cnblogs.com/mengxiangtiankongfenwailan/p/8656753.html

(部分文字、圖片來自網(wǎng)絡，如涉及侵權(quán)，請及時與我們聯(lián)系，我們會在第一時間刪除或處理侵權(quán)內(nèi)容。電話：4006770986    負責人：張明）