機器學習 感知器

2021-08-01 06:31:32 字數 2742 閱讀 7434

x=

x1,x

2,x3

,...

,xd

y=∑i

=1d(

wixi

+bi)

這裡求和出的結果就是用這些特徵計算出來的總分,如果我們假定y>threshold時,最終結果為1。否則y h(

x)=s

ign(

(∑i=

1d(w

ixi)

)−th

resh

old)

這個公式稱為perceptron hypothesis

(1)可以對上面的公式進行簡化。其中可以把threshold作為w

0,x0作為1,這樣子的話就可以把上面的公式簡化為: h(

x)=s

ign(

(∑di

=1(w

ixi)

)−th

resh

old)

=sign((

∑di=

0(wi

xi))

+(−t

hres

hold

)







w0∗(

+1)



x0 =

sign

(∑di

=0(w

ixi)

) =

sign

(wtx

) (2)如果把上面的特徵(二維)對應到空間中,則h(x)就是空間中的直線。如果是在多維空間中,則h(x)對應超平面。

我們假定乙個初始的w向量來對資料進行判定,一直到遇到乙個判斷錯誤的資料,這個時候,我們就是使用這個判斷錯誤的資料,對w進行修改。

**如果wx

<

0 ,

y>

0 ,w(k+1) = w(k) + pxk

**如果wx

>

0 ,

y<

0 ,w(k+1) = w(k) - pxk

**如果yw

x>

0 ,w(k+1) = w(k)

這裡我們可以知道w,x在空間中是兩個向量,對於第一種情況,wx

<

0 ,就相當於兩個向量夾角大於90度:

此時,w+x會把新的w向x靠近,這樣的話就達到了學習的效果。

同理對於第二種情況,wx

>

0 ,就相當於兩個向量夾角小於90度:

當出現錯誤時: ||

wt+1

||2=

||wt

+ytx

t||2

=||w

t||2

+2yt

wttx

t+||

ytxt

||2

≤||w

t||2

+||y

txt|

|2≤|

|wt|

|2+m

ax||

ynxn

||2≤

||w0

||2+

tmax

||yn

xn||

2=tm

ax||

xn||

2 由上面的公式可知:||

wt+1

||2|

|wt|

|2≤1

+max

||xn

||2|

|wt|

|2,其中,另r2

=max

||xn

||2 ,所以,上面的式子可以變為: ||

wt+1

||2|

|wt|

|2≤1

+r2|

|wt|

|2因此,可以知道演算法最終是收斂的。演算法學習是可以終止的。

因為 wtf

∗wt+

1=wt

f(wt

+ytx

t)=w

tfwt

+ytw

tfxt

≥wtf

wt+m

inyn

wtfx

n≥..

.≥wt

fw0+

tmin

(ynw

tfxn

)=tm

inyn

wtfx

n 所以: wt

fwt|

|wf|

|||w

t||≥

tmin

ynwt

fxn|

|wf|

|tma

x||x

n||2

√ 又因為wtf

wt||

wf||

||wt

||≤1

又另:ρ=

miny

nwtf

||wf

||xn

計算可得: t≤

r2ρ2

機器學習 簡單感知器

簡單感知器由乙個線性組合器和硬限幅器 即sgn函式,判斷是正數返回1,負數返回 1 組成,線性組合器有m個輸入,m個輸入權值,乙個偏置,影象表述如下 用數學方法表述就是y wixi b,i 1,2,3 m,如果sgn y 1,則分為第一類,否則分為第二類。感知器一般只做出兩類判別。上述表示式可以簡寫...

機器學習之多層感知器

keras是乙個用python編寫的用於神經網路開發的應用介面,呼叫介面可以實現神經網路 卷積神經網路 迴圈神經網路等常用深度學習演算法的開發 特點 tensorflow是乙個採用資料流圖,用於數值計算的開源軟體庫,可自動計算模型相關的微分導數 非常適合用於神經網路模型的求解。keras可看作為te...

學習筆記 感知器 單層感知器舉例

在人體神經網路中,神經細胞是有著基本處理訊號功能的基本單元,單層感知器就是人工神經網路中模擬人體神經細胞的基本單元。單層感知器 單層感知器是最簡單的神經網路,它包含輸入層和輸出層,訊號先經過線性組合器處理然後再經過啟用函式,最後輸出結果。1 輸入節點 input 輸入節點是訊號的輸入端,感知器可以有...