Machine Learning的基本模型是
A takes D and H to get g
其中A是Algorithm,D是Data,H是Hypothesis,g是goal
其总体的运行结构如图所示
接下来以最简单的感知器举例说明
感知器模型
最简单的二分线性感知器,由各维度乘以其权重,相加后,得到的结果与阈值进行比较,并得出结论。
用公式描述,则是如下:
在这里我们将与阈值比较的这一过程直接放在了算式中,得到结果后判断结果与0的大小关系即可
将以上式子向量化,可以得到
h(x)=sign(w.T*x)
在这里,上面的式子即是Hypothesis,是我们用于模拟实际情况的一个假设模型。
感知器学习算法(Perceptron Learning Algorithm)
容易看到,一个假设一般有参数(如上面式子中的w)供我们进行调整,这样我们能根据Data对其进行调整,最后得到一个尽可能接近实际的映射(f)的一个映射关系g。
既然是machine learning,那么调整这一步当然是交给machine了。machine如何到达这一目的的方式,就是我们需要的learning algorithm。
用最简单的输入两个维度的perceptron(Hypothesis: h(x)=sign(w1x1+w2x2+w0))进行举例
如果令x1,x2为坐标轴,f(x)(即实际结果)以o或x的形式表现,那么我们需要的learning algorithm应该可以找到一条直线,像右图一样将两种结果分开,即一边为正,一边为负。右图中的分割直线可以认为f(x),即理想的映射关系。
A takes D and H to get g
其中A是Algorithm,D是Data,H是Hypothesis,g是goal
其总体的运行结构如图所示
接下来以最简单的感知器举例说明
感知器模型
最简单的二分线性感知器,由各维度乘以其权重,相加后,得到的结果与阈值进行比较,并得出结论。
用公式描述,则是如下:
在这里我们将与阈值比较的这一过程直接放在了算式中,得到结果后判断结果与0的大小关系即可
将以上式子向量化,可以得到
h(x)=sign(w.T*x)
在这里,上面的式子即是Hypothesis,是我们用于模拟实际情况的一个假设模型。
感知器学习算法(Perceptron Learning Algorithm)
容易看到,一个假设一般有参数(如上面式子中的w)供我们进行调整,这样我们能根据Data对其进行调整,最后得到一个尽可能接近实际的映射(f)的一个映射关系g。
既然是machine learning,那么调整这一步当然是交给machine了。machine如何到达这一目的的方式,就是我们需要的learning algorithm。
用最简单的输入两个维度的perceptron(Hypothesis: h(x)=sign(w1x1+w2x2+w0))进行举例
如果令x1,x2为坐标轴,f(x)(即实际结果)以o或x的形式表现,那么我们需要的learning algorithm应该可以找到一条直线,像右图一样将两种结果分开,即一边为正,一边为负。右图中的分割直线可以认为f(x),即理想的映射关系。
如果我们需要得到一个近似于f的映射关系g,那么g首先应该能将我们手上的数据集中的数据准确的分开。