感知机与BP网络神经网络的简单应用

感知机（perceptron）
数据集的线性可分：
对数据集 若存在某个超平面 w·x+b=0，能够将数据集的正实例点和负实例点完全正确地划分到超平面的两侧，即对所有y=+1的实例，w·x+b>0，对所有y=-1的实例，w·x+b<0，则认为数据集T线性可分。

感知器（perceptron）1957年由Rosenblatt提出，是神经网络与支持向量机的基础。感知器是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机的目的就是通过训练数据寻找分离超平面使得实例能被正确的划分为正负两类。

感知机中的损失函数：
要找到分类超平面即确定f(x)=w·x+b中的参数w,b，因此需要制定一个学习策略，即定义经验（损失）函数并将这个损失函数极小化。
————————————————
版权声明：本文为CSDN博主「GaoShan1011」的原创文章，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/GaoShan1011/article/details/54000364