【机器学习】【感知机-1】感知机算法概念和基本原理详解

1.感知机概念

感知机学习算法很简单，易于实现，一步一步看完就自然懂了。

1.1感知机简介

Perceptron，感知机。是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，类别值取值范围={+1, -1}，即Perceptron(x) = -1 或者+1

感知机对应于输入空间中将实例划分为正负两类的分离超平面，即平面一侧的实例为正实例，平面另一侧的实例就是负实例。可以知道，感知机是判别模型，即给感知机一个实例，它返回的结果会告诉你，这个实例是正实例，还是负实例，是正实例感知机就返回数值+1，如果是负实例感知机就返回-1，就这么简单。

感知机使用基于误分类的损失函数，即损失函数返回值就是你输入实例集被判别后判别错误的个数。感知机利用梯度下降法对损失函数进行极小化。

感知机是神经网络和支持向量机的基础。

1.2感知机定义

f(x) = sign(w*x + b)，称为感知机

其中x为输入空间，f(x)为输出空间，f(x)∈{+1, -1}，w和b为感知机模型参数&#