感知器属于二类分类的线性分类模型。
输入:实例的特征向量
输出:实例的类别
原理在于将实例划分为正负两类分类超平面。
属于判别模型。
通过引入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,从而求出线性化分的分类超平面。
是神经网络和支持向量机的算法基础。
2.1 模型
定义:假设输入空间(特征空间)是X∈R,输出空间是Y∈{+1,-1}。
输入表示实例的特征向量。
输出表示实例的类别。
由输入到输出空间的如下函数:
f(x)=sign(w*x+b) 成为感知机。
w和b是感知机模型参数,w是权值,b是偏值。
通过求得w,b,得到感知机的模型。
2.2 策略
2.2.1 线性可分性
2.2.2感知机学习策略
损失函数:L(w,b)=-(这个函数不会用)。
2.3 算法
随机梯度下降法,求解损失函数的最优化问题。