这篇博客介绍了感知机模型，主要用于解决二分类问题，通过找到一个超平面将数据分成两部分。文章详细阐述了算法思路，包括模型定义、模型推导过程，以及算法的流程。在模型推导中，作者提到初始的代价函数不便于求导，因此改用错误样本距离超平面的距离作为代价函数，并给出了求导后的更新公式。最后，博客提到了算法的实现部分。
算法思路
该算法主要解决二分类问题，保证数据在线性可分的情况下，以一条超平面将数据分为两个部分，即： f ( x ) = s i g n ( w T x + b ) f(x)=sign(w^Tx+b) f(x)=sign(wTx+b)。
直观一点的代价函数为： ∑ i I ( y ( i ) ≠ y ^ ( i ) ) \sum_iI(y^{(i)}\not=\hat y^{(i)}) ∑iI(y(i)=y^(i))，但是这样的代价函数是无法求导的，所以将代价函数修改为错误样本距离超平面的距离，这里下面再讨论。
有了代价函数之后，直接进行求导得到 w , b w,b w,b就好了。
模型定义
输入： X = { x ( 1 ) , x ( 2 ) , … , x ( K ) } X=\{x^{(1)}, x^{(2)}, \dots, x^{(K)}\} X={ x(1),x(2),…,x(K)}, y = { y ( 1 ) , y ( 2 ) , … , y ( K ) } y=\{y^{(1)}, y^{(2)}, \dots, y^{(K)}\} y={ y(1),y(2),…,y(K)}，其中 x ( i ) ∈ R D , y ( i ) ∈ R x^{(i)}\in \mathbf{R}^D, y^{(i)}\in\mathbf{R} x(i)∈
最低0.47元/天 解锁文章
5337
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
