[机器学习]感知机内容体系

一、通过具体应用来召回率，ROC曲线的意义。
（1）召回率
以最接近生活的核酸检测为例，我们以核酸检测阳性为正例。
核酸检测的结果有以下四种情况：

如果使用专业术语表示，则为以下四种表示方法：

在新冠病毒检测的情况中，人们希望的是检测结果“宁可错杀一千，不可放过一个”，也就是即使误诊率很高，但追求把所有感染者都找出来。这样也就能引出需要介绍的“召回率”。

首先给出召回率的定义：
召回率(Recall): Recall=TP/(TP+FN)
表示在所有实际为正的类标记样本中，被预测为正标记的样本比例。
实际意义：
结合上述例子。其中的TP就是实际为阳性感染者预测也为阳性感染者，FN则表示实际为阳性感染者但预测为阴性正常。在检测中，人们希望出现FN的情况越少越好，也就是希望“召回率”越大越好，避免因为检测不力而将感染者当成正常人后造成重大影响。

（2）ROC曲线
介绍ROC曲线时，首选介绍FTR（假正例率）：FTR=FP/(FP+TN)
ROC曲线：以召回率（Recall）为横坐标，假正例率（FTR）为纵坐标。为了绘制ROC曲线，需要计算Recall和FTR。
ROC曲线画法：
对于给定的测试集，先用模型计算测试集中每个样本的预测值(或概率);然后对这些值按从小到大排序，将排序后的值取一部分作为阈值数组，将数组中每个元素作为阈值。再将测试数据集中每个样本的预测值与阈值比较，大于或等于这个阈值的样本被认为是正样本，小于该阈值的样本被认为是负样本;分别计算出 TP、TN、FN、FP，最后计算出召回率和假正例率。

用ROC曲线比较两种模型优劣：
①曲线的包含关系，能包住的性能优（两者没有发生交叉，存在包含关系时）
②比较ROC曲线下面积的值（AUC）

二、介绍建立感知机模型的思路，求解感知机模型的方法。
感知机是生物神经细胞的简单抽象。
神经细胞结构大致可分为：树突、细胞体及轴突。
单个神经元只有两种状态——激活和未激活。
神经细胞的状态取决于输入信号量的大小，每个树突的“权重”、以及阈值的大小。
只当信号量总和超过了阈值时，神经细胞才会被激活。
如图所示：

再抽象一下：

所以感知机所含的四个重要部分为：输入，权重，判断，输出。

下面给出感知机的数学求解推导过程：

单层感知机的局限性：
感知机不能将以下图片中的黄色图片与蓝色三角形分开。

不能处理左边图片的原因在于，感知机对输入变量始终都是在进行线性变换，没有办法处理灵活的异或问题，因此我们需要引入非线性变换——激活函数。
有以下四种激活函数供了解参考：

对于右边的图片，我们可以通过加一层（称为隐藏层），将二维数据升维到三维中进行处理。

3、描述感知机模型与神经元的联系。
感知机仅对线性可分的数据进行正确的分类，**感知机之所能向神经细胞一样做到“感知”,是因为它使用了“激活函数”来作非线性变换。如果在输入输出层之间加入多个隐藏层，形成多层感知机就能解决该问题。**但如何训练这样的多层感知机在当时是一件困难的事情。
在Geoffrey Hinton教授提出了深度学习和模型的训练方法之后，点燃了神经网络的热情。
多层感知机可以看做是深度神经网络的基础，输入样本与隐藏层、隐藏层与隐藏层之间的神经元都是基于全连接的，而很多深度学习神经网络都是基于多层感知机而构建的。
如图为基于全连接的多层感知机模型：

本文图片来源网络，其中一部分是学习时制作的PPT的截图，如有不足或错误欢迎交流指正。