重点:
- 感知机是一种二类分类的线性分类模型,属于判别模型。感知机对应于特征空间中的分离超平面 w*x+b=0
- 损失函数:误分类点到分离超平面的总距离。
- 学习算法:随机梯度下降法。有原始和对偶两种形式。
- 当训练数据线性可分时,感知机学习算法存在无穷多解,其解由不同初值和迭代顺序而可能不同。
实现代码:
import numpy as np
import matplotlib.pyplot as plt
p_x = np.array([[3, 3], [4, 3], [1, 1]])
y = np.array([1, 1, -1])
plt.figure()
for i in range(len(p_x)):
if y[i] == 1:
plt.plot(p_x[i][0], p_x[i][1], 'ro')
else:
plt.plot(p_x[i][0], p_x[i][1], 'bo')
# 初始权重w0,偏置b0,学习率delta=1
w = np.array([1, 0])
b = 0
delta = 1
for i in range(1000):
choice = -1
#选取一个错误分类的点,计算其梯度下降
for j in range(len(p_x)):
if y[j] != np.sign(np.dot(w, p_x[0]) + b):
choice = j
break
if choice == -1:
break
# 学习权重和偏置
w = w + delta * y[choice]*p_x[choice]
b = b + delta * y[choice]
line_x = [0, 20]
line_y = [0, 0]
for i in range(len(line_x)):
line_y[i] = (-w[0] * line_x[i]-b)/w[1]
plt.plot(line_x, line_y)
plt.savefig("picture.png")
运行结果:

注意:作为数据驱动的学习算法,数据点太少,可能学习不到最后的分类超平面。