人工智能基础笔记

分类器：由目标的特征向量到预测类别的函数。总结来说就是每个数据有自身特别的向量，经过分类器（函数）会得到类别（结果）
问题：如何训练分类器？
    训练阶段使用的数据称为训练数据，测试阶段使用的数据称为测试数据。数据需要标注来实现训练

两种训练线性分类器的算法：感知器和支持向量机

    感知器：利用被误分类的训练数据“调整现有分类器的参数”，使得调整后的分类器判断的更加准确，调整中有一个 学习率：指的是每一次更新参数的程度大小
    感知器的学习算法就是不断减少对数据误分类的过程
    如何衡量误分类程度？
1、损失函数：训练过程中用来度量分类器输出错误的数学化表示，错误越大，损失函数的取值越大。损失函数》0说明有误分类数据
。注意损失函数是在整个训练数据集上求得的
得到了损失函数后，要利用数据集中被误分类的数据更新参数迭代到无误分类数据为止。
注意，优化就是将损失函数降到最小的过程

    支持向量机
感知器算法也有优劣之分
1、分类预测的确信程度：使用目标点到分类直线的远近来表示
2、不同类别中离分类直线最近的点到直线的距离和称为分类间隔
支持向量机（SVM）是在特征空间中分类间隔最大的分类器。与线最近的点称为支持向量（直观讲就是对求解分类任务最富有信息的数据）

多类别分类
由于分类不只是两方面的，所以推出归一化指数函数（先进行指数变换，然后归一化。凸显其中最大的值并抑制远低于最大值的其他值）
其中归一化指数函数帮我们从去确信程度转变成可以衡量的概率