1.PLA算法总结

最新推荐文章于 2019-10-06 23:22:33 发布

GNIHTON

最新推荐文章于 2019-10-06 23:22:33 发布

阅读量1.2k

点赞数

分类专栏：机器学习基石

本文链接：https://blog.csdn.net/qq_26347051/article/details/79889971

版权

本文介绍了感知器学习算法（PLA），一种用于解决线性可分问题的算法，特别是二维或高维数据的分类。PLA以错误驱动的方式工作，当输出错误时调整权重。讨论了Naive PLA和Pocket PLA两种实现，前者适用于完全线性可分的数据，后者则能处理带噪声的数据。尽管这两种方法各有优缺点，但它们都是理解机器学习基础的重要工具。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PLA（Percetron Learning Algorithm）：感知学习算法，主要用于解决二维或者高维的线性可分问题，最终将问题分为两类：Yes or No。所谓线性可分就是可以找到一条直线或者一个k-1维超平面将一堆二维或K维数据中两个不同类别数据完美区分。
PLA算法是“错误驱动”的，当我们在训练这个算法的时候，只要输出值是正确的，这个算法就不会进行任何数据的调整，反之，当输出与实际值异号，这个算法就会自动调整参数的比重。算法大致流程如下图所示：
这里写图片描述
下面给出两种简单的实现方法，一种是Naive PLA，另一种为Pocket PLA。Naive PLA主要是针对数据是完全线性可分的，没有任何噪音干扰，它只要找到一个符合条件的解就会结束循环。

def naive_pla():
    w = np.ones(4)
    count = 0
    dataset=[[1,0.10723,0.64385, 0.29556    ,1],
            [1 ,0.2418, 0.83075, 0.42741,   1],
            [1 ,0.23321 ,0.81004 ,

最低0.47元/天解锁文章