感知机-理论心得体会

感知机1957年由Rosenblatt提出，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，即+1和-1。感知机对应于特征空间中将实例划分为正负两类的分离超平面。感知机学习的目的是找出将训练数据正确划分的线性分离超平面，具体的方法是使用梯度下降法尝试不断减少损失函数。---感知机是神经网络和支持向量机（SVM）的基础。

1.定义

感知机的输入空间为：为n维特征向量

输出空间为：{-1，+1}---即类别

函数为f(x)=sign(w.x+b)

参数说明：w为n维实向量，称为权值向量，b为实数，称为偏置。sign为符号函数，即

感知机的解释如下：

线性方程  w.x +b=0；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。

超平面将特征空间中的点分为正，负两部分，因此S又被称为分离超平面，展示如下：