本文基于《统计学习方法》第三遍阅读的感悟，介绍并实现感知机算法。感知机通过线性或非线性划分空间，将样本分为两类。文中探讨了最优参数w和b的求解过程，并提供了算法的简化更新步骤。参考文献包括《统计学习方法》和《python 机器学习》。
《统计学习方法》看到第三遍，准备给大家分享一下感悟，已经一些算法的代码实现
首先来看下《统计学习方法》对感知机的定义
其实我们想象一下，就是一条线（直线<线性可分>，曲线都可以<非线性可分>），把空间一分为二，很容易理解。
f(x) 是一个激励函数，经过拟合的参数w，b计算，输入的x，然后就可以将X的空间分为{+1,-1}。
但是w，b什么时候达到最优呢？看下面的算法：
注意：yi 在程序中是update = self.eta * (yi - self.predict(xi)) 做的，其实每次都是更新两个步长，比如eta设置为0.01 则更新的实际更新的时候是0.02
程序如下
扫一扫
2227
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
