感知机模型与应用

** 如有错误，感谢指正**

如有错误，感谢指正，请私信博主，有辛苦红包，拜“一字之师”。

请根据目录寻找自己需要的段落

导语：本博客为个人整理数模算法学习记录帖，如有错误，感谢指正。系统学习，欢迎持续关注，后续陆陆续续更新
Java 交流qq群 383245788

序

本文旨在记录个人数模美赛备赛经历。转载请注明出处。
本文所涉及的感知机模型仅为简单介绍和数模用法，且应用范围较小，比较偏门

感知机模型

感知机Pereptron)是二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。 感知机对应于输入空间(特征空间)中将实例划为正负两类的分离超平面，属于判别模型。
机器学习发展历史

感知机模型生物机制

Input:实例的向量，每一列- -个特征
Weight:权重，设置初始值，并使用梯度下降法进行更新
Bias:偏置，允许分类器左右移动决策边界，有助于更好，更快的训练模型。
Weighted sum:加权求和是Input向量和weight的乘积和
Output:输出为类别，取+1，-1
简单说，感知机模型就是 数据提取特征后，乘权重，求和利用梯度下降，训练，加偏置辅佐分类，最后二分。

感知机模型的数学模型

给定训练数据集:
T={ (x1,y1) ,(x2,)2)…(x.n,yn) }
其中xi∈Rn, yi ∈{+1-1}，i=1,2,.,.n,
输入x表示实例的特征向量，对应输入空间的点，输出的y代表样本的类别。.
则感知机模型为:

符号函数为：

几何解释

线性方程:wx+b=0
对应超平面S，w为法向量，b截距，分离正负类

仅可以解决二分，如果区别不明显或者交叉，很难求解。典型的错误驱动算法。