1入ML深似海啊…
这里主要是《神经网络与机器学习》（Neural Networks and Learning Machines，以下简称《神机》）的笔记，和1些周志华的《机器学习》的内容，可能夹杂有自己的吐槽，和自己用R语言随意撸的实现。
话说这个《神经网络与机器学习》还真是奇书，不知是作者风格还是翻译问题，1眼望去看不到几句人话（或许是水利狗看不懂），感觉我就是纯买来自虐的。
作为开始固然是最古老的机器学习算法之1，神经网络的板砖感知机，对应《神机》的第1章。

由于是Rosenblatt提出的模型所以就加上了他名字作为前缀。这是1个有监督学习，也就是不但给出自变量还要给出结果值让机器自个拟合的模型，而且是1个2分类模型。再说清楚1点，这玩意只能分线性可分的样本，也就是对2维的数据，它只能弄1条直线把样本分开，对3维的数据，只能弄个平面把样本分开。
所以像竟然连异或运算都不能弄之类的对它的吐槽历来很多。

感知机概念

---

感知机由1个线性组合器（说白了就是把1系列输入值加权求和）和1个硬限幅器（说白了就是拿前面的求和取符号）组成。具体模样参考下图（来自《神机》）：

我们将1组输入值记为$x_1,x_2,...,x_m$，相应的权值记为$w_1,w_2,w_3...w_m$，另外还要有个偏置值$b$（相当于线性回归里边的截距）。把这些输入到感知机里边进行加权求和：

$$v = \sum_{i=1}^m w_ix_i+b$$
加权和$v$称为引诱局部域。
然后对这个$v$取符号，也就是大于0取1，小于0取⑴，就这样决定这组输入值归为哪类：
$$y=sign(v)$$
$$y=\left\{\begin{array}{ll}+1：&把\textbf{x} 归为类C_1\\⑴：& 把\textbf{x} 归为类C_2. \end{array}\right.$$
可以用逼格更高的矩阵情势简洁表示：
$$y = sign(\textbf{w}^T\textbf{x} + b)$$
$\textbf{x}$和$\textbf{w}$就是把$w_1,w_2,w_3...w_m$和$x_1,x_2,...,x_m$写成1列阵，然后把前者转置为横阵再两矩阵相乘，也就是二者对应的每项相乘再求和。
那末每组输入值$\textbf{x}$就各是1个样本。

又或从几何角度理解：在m维空间上有这么1个超平面$\textbf{w}^T\textbf{x} + b=0$，$\textbf{x}=[x_1,x_2,...,x_m]^T$是这个空间上的1个点，这个点在超平面的1边归为1类，若在另外一边归为另外一类。

所以说样本必须线性可分的才可以被它分类。

感知机收敛定理

---

然后这玩意的学习方式是不断的误差修正，称为误差修正学习原则。
当1个样本被正确分类的时候就没啥事，要是被毛病分类了就根据样本的各个份量调剂权值，就这样把整套样本丢进去跑几趟直到误差收敛为止。
现在干脆把偏置$b$弄进样本$\textbf{x}$里去，定义第n个输入样本：

$$\textbf{x}(n)=[+1, x_1(n),x_2(n),...,x_m(n)]^T$$
然后根据迭代步数n把权值向量这样定义：
$$\textbf{w}(n)=[w_0(n), w_1(n),w_2(n),...,w_m(n)]^T$$
其中$w_0(n)$即对应偏置

生活不易，码农辛苦
如果您觉得本网站对您的学习有所帮助,可以手机扫描二维码进行捐赠