2.1感知机
1、模型介绍
2、学习策略
存在某个超平面S将数据集的正负实例点完全正确的划分到超平面两侧,则称数据线为线性可分数据集;否则,为线性不可分。
学习策略:最小化损失函数后求得参数
2.2、梯度下降法
2.3、感知机学习算法
1、学习算法之原始形式:学习问题
2、原始形式:随机梯度下降法
分离超平面不唯一
3、学习算法之对偶形式
修改次数越多的点,对最终结果影响最大
算法:
对偶形式:Gram矩阵
4、算法的收敛性
T为训练集
2.1感知机
1、模型介绍
2、学习策略
存在某个超平面S将数据集的正负实例点完全正确的划分到超平面两侧,则称数据线为线性可分数据集;否则,为线性不可分。
学习策略:最小化损失函数后求得参数
2.2、梯度下降法
2.3、感知机学习算法
1、学习算法之原始形式:学习问题
2、原始形式:随机梯度下降法
分离超平面不唯一
3、学习算法之对偶形式
修改次数越多的点,对最终结果影响最大
算法:
对偶形式:Gram矩阵
4、算法的收敛性
T为训练集