這一章就講了感知機(jī)。我覺(jué)得是深受工業(yè)革命的影響，把一些可以實(shí)現(xiàn)功能的基本單元都喜歡叫做什么機(jī)，這里的感知機(jī)，還有后來(lái)的以感知機(jī)為基礎(chǔ)的支持向量機(jī)。直接看定義，看本質(zhì)，實(shí)際上，感知機(jī)是一種線性分類模型。下面就以這句話為中心仔細(xì)闡述一下。

什么叫線性。

線性liner，正如其名，兩個(gè)變量的關(guān)系的函數(shù)是一條直線，那它們就是線性關(guān)系，擴(kuò)展到三維，一個(gè)平面依然是一次方程，所以平面也行線性的。線性有兩個(gè)性質(zhì)：可加性f(x+y)=f(x)+f(y)；齊次性f(ax)=af(x).這兩個(gè)性質(zhì)的好處就是可以化整為零，各個(gè)擊破；可以以小見(jiàn)大。通信中的放大器就很怕出現(xiàn)非線性失真，通信中研究的系統(tǒng)也多是線性時(shí)不變系統(tǒng)。事實(shí)上，自然界中的信號(hào)幾乎都是連續(xù)的，問(wèn)題也多是非線性的，只是我們?cè)诮鉀Q問(wèn)題的時(shí)候都轉(zhuǎn)換為簡(jiǎn)單問(wèn)題。線性劃分，簡(jiǎn)單來(lái)說(shuō)就是通過(guò)直線或者超平面將數(shù)據(jù)進(jìn)行劃分。典型的線性分類器有感知機(jī)，LDA，邏輯斯特回歸，SVM（線性核）；

典型的非線性分類器有樸素貝葉斯（有文章說(shuō)這個(gè)本質(zhì)是線性的，http://dataunion.org/12344.html），kNN，決策樹(shù)，SVM（非線性核）

什么叫分類。

之前博客中提到，機(jī)器學(xué)習(xí)的任務(wù)就是預(yù)測(cè)和分析數(shù)據(jù)，而當(dāng)輸出變量為有限離散變量時(shí)就是一種特殊的問(wèn)題，我們預(yù)測(cè)數(shù)據(jù)屬于哪一類，這就是分類問(wèn)題。分類問(wèn)題又可分為二分類問(wèn)題和多分類問(wèn)題。感知機(jī)是一種二分類的分類器。

什么叫模型。

既然知道了新數(shù)據(jù)的分類情況只能是二選一，那么我們就要定義分類的條件就是模型。而根據(jù)分類器對(duì)數(shù)據(jù)進(jìn)行硬判決還是軟判決，可以分為感知器模型和邏輯回歸模型。前者對(duì)數(shù)據(jù)一刀切，非黑即白，具體用符號(hào)函數(shù)sign()實(shí)現(xiàn)，屬于判別模型。后者將分類問(wèn)題看作概率問(wèn)題，像天氣預(yù)報(bào)一樣，多大的概率會(huì)下雨，多大的機(jī)會(huì)不下雨。

三要素

感知機(jī)算是一種簡(jiǎn)單的機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)三要素：模型、策略、算法。所以我們?cè)倏匆幌赂兄獧C(jī)的策略。很自然地，對(duì)平面上的兩類點(diǎn)，首先我們當(dāng)然希望能有一個(gè)直線將他們完全正確地隔在直線的兩邊。可以達(dá)到這個(gè)目的的直線有很多，我們當(dāng)然希望從中挑選一個(gè)最好的。我們選擇誤分類點(diǎn)到平面S的總距離作為損失函數(shù)（連續(xù)可導(dǎo)），目標(biāo)是將損失函數(shù)最小化。具體確定超平面還需要具體的算法，我們選擇隨機(jī)梯度下降法SGD（Stochastic Gradient Descent）。隨機(jī)的意思是在誤分類點(diǎn)中隨機(jī)選擇一個(gè)點(diǎn)，然后計(jì)算它的損失函數(shù)的梯度，梯度是下降最快的方向，在這個(gè)方向上迭代可以盡快找到使損失函數(shù)最小的點(diǎn)。決定了方向，還涉及到每次更新的幅度，這就是步長(zhǎng)，也叫學(xué)習(xí)率（learning rate），lr太大的話容易越過(guò)最優(yōu)點(diǎn)，太小又會(huì)導(dǎo)致收斂太慢。

感知機(jī)學(xué)習(xí)的算法又分為原始形式和對(duì)偶形式。在對(duì)偶形式中，把原來(lái)函數(shù)sign(wx+b)中的w和b看作是實(shí)例x和標(biāo)記y的線性組合。實(shí)質(zhì)與原始形式一樣，只不過(guò)因?yàn)楹瘮?shù)形式變?yōu)榫€性組合，在判斷是否是誤分類點(diǎn)時(shí)可以使用內(nèi)積，即Gram矩陣。在上一篇博客的python代碼中也出現(xiàn)了這個(gè)矩陣，用于計(jì)算feature map的內(nèi)積。

最后需要說(shuō)明的是，可以證明算法是收斂的，但是最后的結(jié)果卻依賴于誤分類點(diǎn)的選擇順序。為了得到唯一的超平面，需要我們對(duì)分離超平面增加約束條件，這也就是線性支持向量機(jī)SVM的由來(lái)。SVM也有對(duì)偶性，是面試官喜聞樂(lè)見(jiàn)的問(wèn)題。這里先簡(jiǎn)單說(shuō)兩句SVM。支持向量機(jī)有兩個(gè)特點(diǎn)，一是支持向量，一個(gè)是核函數(shù)。支持向量指只有超平面附近的點(diǎn)對(duì)結(jié)果影響大。核函數(shù)的引入使得SVM可以解決低維空間的線性不可分的問(wèn)題，學(xué)習(xí)非線性支持向量機(jī)，其實(shí)是在高維空間隱式地學(xué)習(xí)線性支持向量機(jī)。

在習(xí)題部分，Minsky和Papert指出，感知機(jī)等線性模型不能表示復(fù)雜函數(shù)如異或XOR。其實(shí)就是要說(shuō)明異或不是線性可分的。

Reference：

1.??????https://zhuanlan.zhihu.com/p/30596284

2.??????https://zhuanlan.zhihu.com/p/21301974

3.? https://blog.csdn.net/u014755493/article/details/70182532

4.? https://blog.csdn.net/yangfeisc/article/details/45486067

?

?

總結(jié)

以上是生活随笔為你收集整理的李航《统计学习方法》---感知机的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。