统计学习笔记：感知机

    感知机是二分类的线性分类模型，1957年由Rosenblatt提出，是神经网络与支持向量机的基础。总的来说，其具有以下特性：

1）输入为实例的特征向量，输出为实例的类别，取+1和-1；

2）感知机对应于输入空间中将实例划分为正负两类的分离超平面，属于判别模型；

3）导入基于误分类的损失函数，并利用梯度下降法对损失函数进行极小化；

4）感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形式。

 

1.感知机模型

定义(感知机): 假设输入空间(特征空间)是，输出空间是。输入 表示实例的特征向量，对应于输入空间（特征空间）的点，输出 表示实例的类别，由输入空间到输出空间的函数：

称为感知机。

模型参数：w，x，内积，权值向量，偏置；其中符号函数定义如下：

 

2. 感知机的学习策略

感知机的（经验）损失函数定义为误分类点到分类超平面的总距离。 

其中，空间中任意一点X0到分类超平面距离的公式推导见补充内容。

于是，可得感知机损失函数为：

其中，M为误分类点的数目。

显然，损失函数为非负的。若没有误分类点，则损失函数为0。并且，误分类点越少，误分类点距离分类超平面越近，则损失函数越小。

 

3. 感知机学习算法

感知机学习问题转化为求损失函数的最优化问题，最优化的方法为随机梯度下降法（SGD）。

SGD算法的原理是：

假设误分类点集合M是固定的，则损失函数L的梯度则由以下公式给出（分别对w和b求偏导）：

每次分错一个样本，便采用该样本进行梯度更新。随机选取一个误分类样本，对w和b进行更新：

如下图所示，随机梯度下降法原理是朝着与梯度相反的方向更新，使得损失函数更加接近最小值。

 

 感知机学习算法的原始形式：

以上这种算法直观上的解释为：当一个实例点被误分类，即位于分类超平面的错误一侧时，则调整w,b的值，使得分类超平面向该误分类点的一侧移动，以减少该误分类点与超平面间的距离，直至超过该误分类点使得其被正确分类。

 

补充：感知机模型中，空间中任意一点到超平面距离的推导

在感知机模型中，输入空间中任意一点 到超平面S的距离：

其推导过程如下：

 

 

References

[1] 《统计学习方法》，李航著，清华大学出版社

[2] https://blog.csdn.net/qq_22709065/article/details/71170559