本文是对之前有关感知机的部分进行了总结。
首先,机器学习的初衷是想寻找一种类似人的大脑的算法来处理各种数据。其中,应用最多也最广的就是物体的识别。我们人在进行物体识别的时候,大脑工作机制可以大致分为三个阶段:
1.感官器官得到物理信息,如颜色、形状等;
2.大脑对信号进行模式学习;
3.输出动作。
随着生物神经科学的发展,人们逐渐了解到了大脑的构造以及信号的传输是由神经细胞(神经元)来完成的,它通过一些化学物质来达到电信号的传递,并构成了整个网络。所以人们仿照神经细胞的结构发明了神经元模型。即1957年,Rosenblatt提出的感知机模型 。
感知机模型
简单解释一下,左边xi是输入值,对应的wi是权值,可以看做神经元对不同信号敏感程度不同。中间左边的式子是说输入的形式是加权和。b是偏置,可以看做神经元内部的信号。f是激活函数,可以理解为阈值化,即高于一定水平的信号神经元激活,低于的话抑制。激活函数一般有阶梯函数和sigmod函数,如下:
下面我们具体看一下感知机如何工作。
假设我有一个问题让机器去完成,就是将苹果和香蕉两类水果分开。再假设我只能得到水果的两种特征:颜色和形状。
列表如下:
种类 | 颜色 |
形状 |
苹果 |
1(红色) |
1(圆形) |
香蕉 |
-1(黄色) |
-1(条形) |
问题分析:
1.输入两个x1(颜色),x2(形状)。
2.输出1代表苹果,-1代表香蕉。
3.感知机模型我们预设为:w1=w2=1,b=0,激活函数采用sign函数。
鉴别:
Sout =f(x1×w1+x2×w2+b)=sign(1×1+1×1+0)=1
(2)香蕉,输入-1,-1。
Sout