人工智能基础算法之感知器（1）

1.   引言

        感知器（perceptron）是比较简单的二分类器，通过对训练样本集的学习，从而得到判别函数权值的解，产生线性可分的样本判别函数。该算法属于非参数算法，优点是不需要对各类样本的统计性质作任何假设，属于确定性方法。

        虽然简单，感知器算法却是支持向量机（SVM）和神经网络算法的基础，为了之后更好地学习，感知器算法必须要了解地非常清楚。接下来，就开始介绍感知器算法。

 

 

2.   感知器分类模型

 

        给定一个训练数据集\(T = \{ ({x_1},{y_1}),({x_2},{y_3}), \cdots ,({x_N},{y_N})\} \)，\({x_i} \in {R^n},{y_i} \in \{  - 1,1\} ,i = 1,2, \cdots N\),

 

分类模型为，

                                                           \[{h_\theta }(x) = g({\theta ^T}x + b)\]                                           

其中θ是权值向量，x是输入向量,b是偏差，

                                                                                 \[g(z) = \left\{ \begin{array}{l}1{\rm{  \quad z}} \ge {\rm{0,}}\\{\rm{ - 1 \quad