感知机是一种用于二分类问题的基础模型，其通过调整权重w和偏置b来实现分类。在训练过程中，如果yi乘以(w与xi的内积+b)的结果大于0，则分类正确，否则需要更新参数。梯度更新策略确保了模型在错误分类时进行调整。当存在足够的样本间隔ρ时，感知机可以收敛。文章还探讨了模型的收敛速度与样本类别差异的关系。
感知机
σ函数有很多种选择，条件函数可以根据需要调整
二分类问题：-1 or 1
二分类:
Vs.回归输出实数
Vs.SoftMax回归输出概率（）多分类
训练感知机
*对于二分类问题，样本yi乘以（w与xi的内积加上b）的结果，如果是大于0，则证明预测和实际相符，如果小于0，则表示分类分错了，需要调整更新参数。w = w + yixi ， b = b + yi
**感知机最原始的训练就是一遍一遍去遍历原始数据**
对于梯度来说，使用了max函数，如果 y<w，x> 大于 0，则分类正确，不用调整参数，添加负号则小于 0，要达到不调整参数的目的，需要使得梯度为 0。如果分类错误，那么就产生了梯度，需要更新梯度。
收敛定理
存在余量ρ>0，使得感知机能把所有的样本分开。如果ρ越大，表示数据样本类别差异越明显，那么模型收敛越快。
总结
403
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
