本文总结了PLA(Perception Learning Algorithm)，一种适用于线性可划分问题的机器学习算法，尤其在二维和高维空间。PLA通过迭代调整权重向量W，以在已知数据集中达到与真实决策一致的结果。对于线性可分数据集，文章证明了PLA算法的收敛性，展示了算法如何在有限步后停止。最后，作者提到了未来将分享算法的实现细节。
PLA算法总结及其证明
PLA(Perception Learning Algorithm)适用于二维及高维的线性可划分问题。问题的答案只有同意或者不同意。例如银行可以根据顾客的个人信息来判断是否给顾客发放信用卡。将顾客抽象为一个向量X，包括姓名、年龄、年收入、负债数等。同时设定各个属性所占的比例向量W，对于正相关的属性设置相对较高的比例如年收入，对于负相关的属性设置较低的比例如负债数。y表示是否想该用户发放了信用卡。通过求X和W的内积减去一个阀值，若为正则同意发放信用卡，否则不发放信用卡。我们假设存在着一个从X到Y的映射f，PLA算法就是用来模拟这个映射，使得求出的函数与f尽可能的相似，起码在已知的数据集上一致。
PLA算法即用来求向量W，使得在已知的数据中机器做出的判断与现实完全相同。当X为二维向量时，相当于在平面上画出一条直线将所有的点分成两部分，一部分同意发送，另外的不同意。内积可以表示成：
进一步可化简成
最低0.47元/天 解锁文章
37
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
