机器学习三种学习方法和感知器

机器学习三种主要的学习方式：

1. 监督学习：使用有类标的训练数据构建模型，即在训练过程中，所有的数据都是知道它的类别的。通过构建的这个模型对未来的数据进行预测。在监督学习的下面，又可以分为分类（利用分类对类标进行预测），以及回归（使用回归预测连续输出值）。
2. 无监督学习：在没有已知输出变量（分类问题中是数据的类标）和反馈函数指导的情况下提取有效信息来探索数据的整体结构。子领域：1.通过聚类发现数据的子群；2,数据压缩中的降维。
3. 强化学习：构建一个系统，在与环境交互的过程中提高系统的性能。我们可以将强化学习视为与监督学习相关的一个领域。但是强化学习与监督学习不同的是，在强化学习中，并没有一个确定的类标或一个连续类型的值，而是一个通过反馈函数产生的一个反馈值。该反馈值是对当前的系统行为的一个评价。强化学习解决的主要是交互式问题。象棋对弈就是一个常用的强化学习的例子。
   
   感知器由费兰克·罗森布拉特（Frank Rossenblatt）基于MPC神经元模型提出。感知器可以看作一个处理二分类问题的算法。
   
   第一步：得到净输入函数z;z为矩阵X与权值矩阵W的乘积，再加上一个权值偏差得到z：
   
   第二步：通过激励函数得到输出的类标：
   
   第三步，在训练阶段，通过激励函数获得到模型输出的类标y，在将类标与实际类标进行计算得到误差，进行权值更新。进行权值更新是以下的方法更新：
   
   其中：
   η为学习速率，y(i)为第i个样本数据的真实类标，y(i)’为第i个样本预测得出的目标，xj（i）为第i个样本中第j个值。