《统计学习方法》第二章-感知机-总结

感知机是二分类的线形分类模型，其输入是实例的特征向量，输出是实例的类型，定义为{-1, +1}。

2.1 感知机模型

由输入空间映射到输出空间的函数为如下形式：

$$f(x) = sign(w·x + b)$$

其中$sign(x)$：

$$sign(x) = \begin{cases} +1 & \quad \text{if } x \text{ >= 0}\\ -1 & \quad \text{if } x \text{ < 0} \end{cases}$$

线形方程$w·x + b = 0$的几何解释是一个超平面。如果所有实例是线形可分的，则该平面将正负实例划分开。如图2.1：

2.2 感知机策略

对线性可分的实例集而言，$y_{i} = + 1$的实例 $i$，有$y_{i} *(w*x_i + b) > 0$，$y_{i} = - 1$的实例 $i$，同样有$y_{i} *(w*x_i + b) > 0$。因此，可以根据误分类的点构造目标函数：

$$L(w, b) = \sum_{x_i\in M}-y_i*(w*x_i + b)$$
M是所有误分类点的集合。感知机学习的策略就是取 L(w, b)最小时的参数 w, b。

2.3 感知机学习算法

感知机学习算法是误分类驱动的，具体采用的是梯度下降算法。在上一节我们学习到，感知机的目标函数为：

$$L(w, b) = \sum_{x_i\in M}-y_i*(w*x_i + b)$$
对应地， w, b的梯度：
$$\bigtriangledown_wL(w, b) = -\sum_{x_i\in M}y_ix_i$$

$$\bigtriangledown_bL(w, b) = -\sum_{x_i\in M}y_i$$

算法的核心是设定初始的w = 0, b = 0，迭代，每轮通过1个误分类点，使用梯度进行更新，直到所有的点都正确分类：

$$w \gets w + \eta y_ix_i \\ b \gets b + \eta y_i$$

2.3.2 算法收敛性

要使用迭代法更新参数，必须要能够收敛，可以证明，迭代的次数k有上限：

$$k \leq \Big(\frac{R}{\gamma}\Big)^2$$
$R$表示所有实例$x$的长度的最大值， $\gamma$表示实例点到超平面函数距离的最小值：
$$y_i*(w*x_i + b) \geq \gamma$$

除此之外，感知机学习算法还有对偶形式，其基本想法是将$w$和$b$表示为实例$x_i$和标记$y_i$的线形组合的形式，通过求解其系数而求得$w$和$b$。

感知机学习算法根据每次使用误分类点的顺序不同，可能产生的解会是多个，并不能求出最优解。

问题思考

• 感知机算法能实现异或吗？为什么？