【机器学习】感知机的一点理解

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）

我们使用感知机来试着完成它。

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：

（1）苹果，输入1,1。

Sout =f（x1×w1+x2×w2+b）=sign（1×1+1×1+0）=1

（2）香蕉，输入-1，-1。

Sout