通俗的解釋就是，期望在給定的資料集中，找到乙個超平面，這個平面可以正確的分割開所有的資料類別。這裡有乙個假設，就是這個超平面是一定存在的，就是一定是有解可以把這些資料集完好的分開。
這裡先不列舉數學公式，講一講通俗理解：
就是先初始化乙個超平面，我認為這個超平面是分開了資料集，然後在利用資料集進行驗算，如果發現資料集有錯誤分類的，那麼就利用梯度下降演算法來糾正這個超平面，使它可以更好的劃分。不斷重複這個過程，直到沒有任何乙個點被誤判，這時候我們就找到了我們需要的平面了。
首先我們來求得定義的損失函式和相應的梯度，**如下：from numpy import *;
#q主要是求得損失函式j和梯度grad
defgetcost
(xvec, yvec, wvec):
#利用了矩陣的乘法，來用向量加速求和計算
j_tmp = dot(xvec,wvec.t);
#同理，這裡y = 1 或 y = -1
j = -sum(dot(yvec,j_tmp.t));
#利用公式來求得梯度
grad = -(yvec * xvec);
return j,grad;
def
cratedata
(): x = array([[1,3,3],[1,4,3],[1,1,1]]);
y = array([1,1,-1]);
wvec = array([0,0,0]);
return x,y,wvec;
>>> getcost(x
[0],y
[0],w)
(0, array([-1, -3, -3]))
接下來就是我們**的核心，通過迭代來訓練感知器，其實質是不斷的移動超平面，使其能正確的分類
具體**和注釋如下
def
trainperceptron
(xvec, yvec, wvec):
#定義迴圈結束標誌
flag = true;
while flag:
#求的樣本資料行總數
length = len(xvec);
#當所有的點都沒有誤分類時，則跳出函式
flag = false;
for i in range(length):
j,grad = getcost(xvec[i], yvec[i], wvec);
#當第i個樣本被誤分類了，則利用梯度法來更改特徵向量
if y[i] * (dot(xvec[i],wvec.t)) <= 0:
wvec = wvec + yvec[i] * x[i];
flag = true;
#列印出來相應引數便與除錯
print(wvec);
print(grad);
print(i);
input();
return wvec;
>>> trainperceptron(x,y,w)
[1 3 3]
[-1 -3 -3]
0[0 2 2]
[1 1 1]
2[-1 1 1]
[1 1 1]
2[-2 0 0]
[1 1 1]
2[-1 3 3]
[-1 -3 -3]
0[-2 2 2]
[1 1 1]
2[-3 1 1]
[1 1 1]
2array([-3, 1, 1])
統計學習方法（二）感知器C語音實現
感知器 perception 是二分類線性分類模型，其輸入為例項的特徵向量，輸出為例項的類別，取 1和 1的二值，感知機對應於輸入空間 特徵空間 中將例項劃分為正負兩類的分離超平面，屬於判別模型，感知機學習旨在求出將訓練資料進行線性劃分的分離超平面，為此匯入基於誤分類的損失函式，利用梯度下降法對於損...
統計學習方法（二）感知器C語音實現
感知器 perception 是二分類線性分類模型，其輸入為例項的特徵向量，輸出為例項的類別，取 1和 1的二值，感知機對應於輸入空間 特徵空間 中將例項劃分為正負兩類的分離超平面，屬於判別模型，感知機學習旨在求出將訓練資料進行線性劃分的分離超平面，為此匯入基於誤分類的損失函式，利用梯度下降法對於損...
《統計學習方法》 對偶感知器的python實現
其原理和原始形式的感知器的原理一樣，對偶就是是 實質是一樣，只是換了一種實現方式。我們用梯度下降法來更新權值時的公式為 由於太懶，這裡用手寫給出解答 為了方便計算xi xj，這裡先引入gram矩陣，有g xi xj 其中g為n n矩陣，n為資料的個數，實現如下 先給出偽 產生資料集的 如下 其中我們...