机器学习——感知机

1.基本概念

1.1根据输入和输出变量的不同类型，将预测任务分为：

     回归问题：输入变量和输出变量均为连续变量

    分类问题：输出变量为有限个离散变量

    标注问题：输入变量和输出变量均为变量序列

1.2统计学习三要素

     方法=模型+策略+算法

模型——所要学习的条件概率，或决策函数

策略——按照什么样的准则学习或选择最优的模型

             损失函数——度量模型一次预测的好坏；常用的损失函数有：0-1损失函数，平方损失函数，绝对损失函数，对数损失函数

算法——学习模型的具体计算方法

2.感知机——二分类线性分类模型，判别模型

输入为实例的特征向量，输出为实例的类别取值为+1，-1，

感知机学习旨在求出将训练数据进行线性划分的分离超平面

感知机的学习算法——梯度下降算法

          

感知机学习算法的对偶形式

from sklearn.linear_model import Perceptron
clf = Perceptron(fit_intercept=False, max_iter=1000, shuffle=False)
clf.fit(X, y)
print(clf.coef_)