【感知机】感知机(perceptron)学习算法例题及详解 | 您所在的位置:网站首页 › 矩阵的简单计算例题及解析视频 › 【感知机】感知机(perceptron)学习算法例题及详解 |
感知机( perceptron )是二类分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别,取+1 和-1二值。感知机对应输入空间(特征空间)中将实例划分为正负两类的分离超平面,是一种判别模型。感知机是神经网络与支持向量机的基础 感知机学习旨在求出将训练数据进行线性划分的分离超平面。 感知机学习思路: 1.导入基于误分类的损失函数 2.利用梯度下降法对损失函数进行极小化 3.代入参数得到感知机模型。 感知机学习算法分类: 原始形式、对偶形式。 感知机算法原始形式例题及详解例1 训练数据集如图所示,正实例点为 解答: (1)建模最优化问题: (2)取初值 (3)按
得到线性模型: (4)重新选取,对 对
得到线性模型: (5)由此不断迭代 (6)直到 线性模型: 对所有数据点 感知机模型 分离超平面 例1如果更换取点顺序为 由此,可知结论:感知机算法采用不同的初值或选取不同的误分类点顺序,解可以不同 感知机算法对偶形式例题及详解例2 训练数据集如图所示,正实例点为 解答: (1)取 (2)计算Gram矩阵 (3)误分条件 (4)参数更新 (5)迭代 (6)最终得到 则,分离超平面: 感知机模型: 与原始形式一致,感知机学习算法的对偶形式迭代收敛,且存在多个解 |
CopyRight 2018-2019 实验室设备网 版权所有 |