机器学习模型之感知机

1、感知机模型

感知机是一个线性分类器,感知机的公式是

\[ f(x) = sign(wx+b) \]

其中

\[ \operatorname{sign}(x)=\left\{\begin{array}{ll} +1, & x \geqslant 0 \\ -1, & x<0 \end{array}\right. \]

感知机说得是我们有一系列的点x = (x1,x2,x3...xn)和相应的参数w = (w1,w2,w3....wn),我们将x和w向量进行乘积操作,最终会得到一个数字,如果这个数字大于等于0,那么我们将其归为+1类别,否则,归为-1类别。

关于\(wx+b\)可以理解为一个超平面,展开就是\(w_{1} x_{1} + w_{2}x_{2} +w_{3}x_{3} + ...... +b\),当\(wx+b = 0\)时,其表示的就是一个超平面,在二维空间如下图所示

当我们输入一个序列,如果$wx+b>0$那么其也就显示在直线的上方,若$wx+b<0$那就是在直线的下方,若$wx+b=0$则刚好是在直线上。我们发现,对于$wx+b=0$来说,当成倍的扩大w和b,这个直线是没有任何变化的,对于分类结果也不会有任何变化,该分成正类还是正类,该分成负类还是负类。

2、感知机策略

那么我们如何学习感知机的参数w呢?我们的策略就是构建损失函数,那么如何构建损失函数呢?我们想到的一种方法是误分类点的个数作为损失函数,但是这种方法的结果对w和b不可导,那么,我们就想出了另外一种策略,对于误分类的数据,其有一个性质

\[ -y_{i} (wx_{i} + b) > 0 \]

\(y_{i} = +1,wx_{i} + b = -1\)时,\(-y_{i} (wx_{i} + b) > 0\),当\(y_{i} = -1,wx_{i} + b = +1\)时,\(-y_{i} (wx_{i} + b) > 0\),那对于分类正确的点怎么办呢?很简单,我们就不管他就行,或者他们的损失就是0,我们加上0就可以了。所以我们的损失函数就是所有误分类点的集合,如下面公式所示

3、感知机算法

那我们如何来求解w和b呢,常用的策略就是对相应的参数进行求导,利用梯度下降法更新参数,求导结果为

参数更新为
posted @ 2020-05-13 15:11  空空如也_stephen  阅读(202)  评论(0编辑  收藏  举报