感知机(一) | 内容摘要+模型 | 《统计学习方法》笔记(九)
感知机知识点
感知机(perceptron)是二类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,取+1和-1两值。感知机对应于输入空间(特征空间)中将实例划分为正负两类的分离超平面,属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,导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,求得感知机模型。感知机学习算法具有简单易行的特点,分为原始形式和对偶形式。感知机是用学习的到的感知机模型对新的输入实例进行分类,是神机网络与支持向量机的基础。
感知机模型
定义:假设输入空间(特征空间)是,输出空间是。输入表示实例的特征向量,对应于输入空间(特征空间)的点;输出表示实例的类别。由输入空间到输出空间的函数:
称为感知机。其中,w和b为感知机模型参数,叫作权值(weight)或权值向量(weight vector),叫作偏置(bias),表示w和x的内积。sign是符号函数,即
感知机一种线性分类模型,属于判别模型。感知机模型的假设空间是定义在特征空间中的所有线性分类模型(linear classification model)或线性分类器(linear classifier),即函数集合.
感知机有如下几何解释:线性方程
对应于特征空间中的一个超平面S,其中w是超平面的法向量,b是超平面的截距。这个超平面将特征空间划分为两个部分。位于两部分的点(特征向量)分别为正、负两类。因此,超平面S称为分离超平面(separating hyperplane)。
感知机学习,由训练数据集(实例的特征向量及类别)
其中,,求得感知机模型(1),即切得模型参数。感知机预测,通过学习得到的感知机模型,对于新的输入实例给出其对应的输出类别。