感知機是監督學習，適用於線性可分的樣本
和fisher一樣，先有訓練集，再有測試集
分類的理想情況是
如果
代表y要下移動，為了清晰的說，我們將y方差寫成直線一般式
y ：ax+by+c=0
其中y的法向量是（a，b）
黃色的乙個是樣本點的向量表示
藍色的是法向量
寫出向量的乘法公式，我選取的是標準基
有（x1，y1）.*（a，b）=x1*a+y1*b 成立
當我的x1，y1成倍的縮小時，向量積 一定下降。
係數ρ你自己取
利用線性規劃的知識
我的y要下降，所以是要將原來的法向量-去樣本點的值
讓向量內積
大於0不斷遞迴直到所有訓練集都滿足先驗知識
支援向量機理解和總結
1 svm 1.1 svm的正確理解 svm的基本原理普遍表述 svm通過非線性變換把原空間對映到高維空間，然後在這個高維空間構造線性分類器 在高維空間資料點更容易分開 甚至有部分學者認為svm可以克服維數災難 curseof dimensionality 如果這樣理解svm的基本原理，我覺得還沒有...
感知機和支援向量機
1 感知機學習的目的 求得乙個能夠將訓練集正例項點和負例項點完全正確分開的分離超平面，該平面不唯一。2 使用的決策函式 f x sign w x b 3 使用的最優化方法 隨機梯度下降法。4 感知機學習的策略 在假設空間中選取使損失函式式最小的模型引數w和b，即感知機模型。5 感知機學習演算法 感知...
從向量的角度理解皮爾遜相關係數
高中數學學的向量中有乙個重要的公式用於計算兩個向量之間的夾角 在笛卡爾座標系中有向量 x1,y1 和 x2,y2 他們間夾角的cos值等於 向量內積 除以 兩個向量摸的乘積。如果你仔細比較一下 求向量夾角的公式和皮爾遜公式,你會發現他們之間很相似！但還是有點不一樣。是的,實際上來說,皮爾遜公式 和 ...