感知器算法例题ppt_感知机模型(perceptron)算法详解及python实战

关于感知器模型

感知器是一个简单的监督学习的机器学习算法，也是最早的神经网络结构。作为一个二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。数据：

是一个d维的特征向量，

是目标标签，

目标：利用上述给定的数据学习一个超平面

使其可以将数据集的正例点和负实例点划分到两侧。即：

，

算法详解

损失函数

为学习上述的超平面，选择误分类点的总数作为损失函数是一个很直观的选择，但是由于该损失函数对参数非连续可导，因此采用误分类点到超平面

的总距离作为损失函数。

对于错误分类的实例，当真实标签为

，错误的预测结果为

；真实标签为

时，错误的预测结果为

，因此，错误分类点

到超平面的距离可由如下表示：

由于感知机的目的在于使所有训练样本分类正确，

对于判断是否分类正确没有影响，因此相关损失函数中可略去该项。对于误分类实例集合M,可得如下损失函数：

求解

原始形式

感知器学习算法是误分类驱动的，可采用随机梯度下降算法对参数

和</