在线机器学习算法及其伪代码

机器学习：需要从已知的数据 学习出需要的模型

在线算法：需要及时处理收集的数据，并给出预测或建议结果，并更新模型

通用的在线学习算法步骤如下：

1. 收集和学习现有的数据

2. 依据模型或规则，做出决策，给出结果

3. 根据真实的结果，来训练和学习规则或模型

常用的在线学习算法：

Perceptron: 感知器

PA: passive Perceptron

PA-I

PA-II

Voted Perceptron

confidence-weighted linear linear classification: 基于置信度加权的线性分类器

Weight Majority algorithm

AROW：adaptive regularization of weighted vector 加权向量的自适应正则化

"NHERD"：Normal Herd 正态

这里收集了一些算法伪代码，代码然后配上语言描述，就清晰多了。

感知器Perceptron：

线性分类器，是一个利用超平面来进行二分类的分类器，每次利用新的数据实例，预测，比对，更新，来调整超平面的位置。

相对于SVM，感知器不要每类数据与分类面的间隔最大化。