感知器 (perceptron) 算法的历史就不介绍了,大意就是想法来自生物学的神经元的一些工作方式,多个生物信号 (input singals) 到达树突 (dentrites)并进入细胞核 (cell nucleus),如果这些信号的效果累加达到一个阈值,那么通过轴突 (axon) 产生一个输出信号 (output signals)。在有监督学习与分类的背景下,这样的算法可被用来预测一个样本是否属于某个类别。
正式地,我们可以把这个问题表述为一个二分类任务,并且为了简单起见,将这两个类别分别定义为 1 (正类) 与 -1(负类)。接着定义一个激活函数 (activation function) ϕ(z) , 它输入的是 x 与其对应的权重向量 w 的一个线性组合, 这里的 z 也就是所谓的 net input (
w=⎡⎣⎢⎢⎢w1⋮wm⎤⎦⎥⎥⎥,x=⎡⎣⎢⎢⎢x1⋮xm⎤⎦⎥⎥⎥
对于一个指定样本 x(i) , 如果 ϕ(z) 的输出值大于预先定义的一个阈值 Θ , 那么就预测其类别 1. 否则,预测为类别 -1. 在感知器算法中,激活函数 ϕ(⋅) 是一个简单的单位阶跃函数 (unit step function), 有时也叫赫维赛德阶跃函数 (Heaviside step function):
ϕ(z)