《统计学习方法》学习笔记（1）-- 感知机

感知机（perceptron）是Frank Rosenblatt在1957年就职于Cornell航空实验室(Cornell Aeronautical Laboratory)时发明的一种人工神经网络，是一种二元线性分类器。

      定义：输入空间（特征空间），输出空间是。由输入空间到输出空间的函数称为感知机。sign是符号函数，即

       数据集，其中（x_i为n维实数向量），，i=1,2, … , N。如果存在某个超平面（hyperplane）S：，对于所有的实例i有；对于所有的实例i有，则称数据集Ｔ为线性可分；否则称数据集T线性不可分。

      学习策略：输入空间任一点x₀到超平面S的距离为，对于误分类的数据来说，当时；当时，所以，。因此，误分类点到超平面S的距离为，假设所有误分类点的集合为M，那么所有误分类点到超平面的总距离为。不考虑，感知机的损失函数定义为

      求解：感知机学习算法是误分类驱动的，任意选取一个超平面w₀, b₀,，然后用随机梯度下降法（stochastic gradient descent）不断的极小化目标函数。梯度由损失函数分别对w和b求偏微分获得：

                   

       迭代：                （0<η<=1，步长，又称学习率）

      代码：

 

# perceptron.py
# -*- coding: gbk -*-
#《统计学习方法》，例2.1，代码

from numpy import *

def getDataSet():
    dataMat=mat([[3,3],
                [4,3],
                [1,1]])
    labelSet = [1,1,-1]
    return dataMat, labelSet

def run(dataMat, labelSet):
    m,n = shape(dataMat)
    wi = mat([0,0]); bi = 0
    wrongclass = True
    i=0
    print(i, "error point:", "*", " w:", wi, " b:", bi)
    while True:
        i += 1
        wj = wi; bj = bi
        wrongclass = False
        for j in range(m):
            if (labelSet[j]*(((wj*dataMat[j].T)[0,0]) + bj) <= 0):  #wrong classification
                wi = wj + labelSet[j]*dataMat[j]
                bi = bj + labelSet[j]
                wrongclass = True
                print(i, "error point:", j, " w:", wi, " b:", bi)
                break;
        if(wrongclass == False):
            break;

 

      代码输出：

>>> import perceptron

>>> dataMat, labelMat = perceptron.getDataSet()

>>> perceptron.run(dataMat, labelMat)

0 error point: *  w: [[0 0]]  b: 0

1 error point: 0  w: [[3 3]]  b: 1

2 error point: 2  w: [[2 2]]  b: 0

3 error point: 2  w: [[1 1]]  b: -1

4 error point: 2  w: [[0 0]]  b: -2

5 error point: 0  w: [[3 3]]  b: -1

6 error point: 2  w: [[2 2]]  b: -2

7 error point: 2  w: [[1 1]]  b: -3

>>> 

      上面的结果和书里的结果是一样的，选择的误分类点都是第一次遇到的误分类点。而实际上在选择误分类点时应该采用随机的方法来选取，每次梯度下降的时候只对随机选择的一个误分类点进行梯度下降。由于采用不同初值或选取不同的误分类点，结果可以不同。