感知机学习算法原理公式实例及python代码

本文感知机(perceptron)主要讲解原理、相关的公式、算法并通过举例计算来理解感知机算法的过程，最后附上相关的python代码。若想要详细的了解感知机公式的每一步推导过程及证明，本文不适合您。

                         感知机原理公式实例及Python代码

感知机是二类分类的线性分类模型，其中输入为实例的特征向量，输出为它的类别，可以取-1和+1两种。当然，输出也可以取其他的两种值，例如a和b,对和错，这里的-1和+1只是一个标签而已。

感知机对应于特征空间(可以是二维,三维,...,n维)中将实例划分为正负两类的分离超平面，属于判别模型，是神经网络与支持向量机的基础。它是Rosenblatt在1957年提出的。

本文中包括三部分：1、感知机模型；2、感知机的学习策略；3、感知机学习算法。

                                            1、感知机模型

感知机定义：

感知机的几何解释：线性方程

                                                                          

对应于特征空间中的一个超平面S，其中w是超平面的法向量,b是超平面的截距。这个超平面将特征空间划分为两个部分。位于两部分的点分别被分为正、负两类。因此，超平面称为分离超平面(separating hyperplane),如下图所示：

                                                              

感知机学习，由训练数据集(实例的特征向量及类别)

                                              

       

                                                                            

                                                     2、感知机学习策略

2.1 数据集的线性可分性定义