脚本宝典收集整理的这篇文章主要介绍了统计学习方法——感知机,脚本宝典觉得挺不错的,现在分享给大家,也给大家做个参考。
感知机是监督学习的一种方法,是一种二分类的线性模型
感知机的输入是实例的特征向量,输出为+1或-1两个值
感知机属于判别模型
假设输入空间为(X subseteq R^n), 输出空间是(Y = {+1,-1}), (x in X)是输入的特征向量, 对应于特征空间的点,(y in Y)是实例的类别. 则由输入空间到输出空间存在
如下函数:
这个函数则成为感知机. 其中(w)和(b)称为感知机模型参数,(w)为权值(weight),(b)为偏置量(bias),(w cdot x)表示内积,sign为函数,表示:
感知机的假设空间为定义在特征空间中的所有的线性分类模型,即({f | f(x) = w cdot x + b})
线性方程
对应于特征空间(R^n)的一个超平面S, S把特征空间分为两部分,位于两部分的点分别被分为正、负两类.
对于一个数据集T,如果存在一个超平面S,能将T中的所有正实例与负实例完全正确的划分到S两侧,则说明数据集T是线性可分的。
感知机学习的目标是找出超平面,即确定(w,b)将数据集中的正实例和负实例完全分开. 需要确定一个学习策略,即定义损失函数并将损失函数极小化.
感知机的损失函数定义为误分类的点到超平面S的总距离,为此,输入空间(R^n)中的点(x_0), 到超平面s的距离为:
(||w||)为(L_2)范数.
以上是脚本宝典为你收集整理的统计学习方法——感知机全部内容,希望文章能够帮你解决统计学习方法——感知机所遇到的问题。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。