机器学习_线性分类器

【1】线性分类器不同与贝叶斯分类器：不考虑训练样本的基本分布

【2】判别式函数：

理解g(x)在决策面的一边为正、一边为负：是由于点x1,x2....构成的某种组合正好为0。当一个变量发生变化（体现为线上点的移动），组合值就会不为0

【3】感知机算法

感知器算法设的分割平面如上g(x)，目标函数的含义是使分错的点最小。

假设为线性可分的情况：目标是找一条分类错误为0点线。

但分类错误的线可以是无数条，所以没有唯一解。

感知器算法的实质就是一个神经元。

【3】kesler算法：为了将感知器推广到高维，提出了kesler算法。基本思想：将样本点映射到高维

         但是该算法不太常用，用到再看

【4】线性回归：最小二乘法分类器

思想线性回归一样。找一条直线去拟合这些点。

先理解一下均方误差可表示为的公式：1.均值=样本点*发生的概率 2.积分号求和 3.提出公共项p(w1)

【4.1】线性回归分类的多类问题