重點:
- 感知機是一種二類分類的線性分類模型,屬於判別模型。感知機對應於特徵空間中的分離超平面 w*x+b=0
- 損失函數:誤分類點到分離超平面的總距離。
- 學習算法:隨機梯度下降法。有原始和對偶兩種形式。
- 當訓練數據線性可分時,感知機學習算法存在無窮多解,其解由不同初值和迭代順序而可能不同。
實現代碼:
import numpy as np
import matplotlib.pyplot as plt
p_x = np.array([[3, 3], [4, 3], [1, 1]])
y = np.array([1, 1, -1])
plt.figure()
for i in range(len(p_x)):
if y[i] == 1:
plt.plot(p_x[i][0], p_x[i][1], 'ro')
else:
plt.plot(p_x[i][0], p_x[i][1], 'bo')
# 初始權重w0,偏置b0,學習率delta=1
w = np.array([1, 0])
b = 0
delta = 1
for i in range(1000):
choice = -1
#選取一個錯誤分類的點,計算其梯度下降
for j in range(len(p_x)):
if y[j] != np.sign(np.dot(w, p_x[0]) + b):
choice = j
break
if choice == -1:
break
# 學習權重和偏置
w = w + delta * y[choice]*p_x[choice]
b = b + delta * y[choice]
line_x = [0, 20]
line_y = [0, 0]
for i in range(len(line_x)):
line_y[i] = (-w[0] * line_x[i]-b)/w[1]
plt.plot(line_x, line_y)
plt.savefig("picture.png")
運行結果:

注意:作爲數據驅動的學習算法,數據點太少,可能學習不到最後的分類超平面。