sklearn中感知机算法解析及应用
需积分: 49 162 浏览量
2018-10-17
20:49:01
上传
评论
收藏 2.08MB PDF 举报
感知器
前面，我们介绍了广义线性模型，用联接方程描述解释变量、超参数和响应变量的线性关系。这一
章，我们将介绍另一种线性模型，称为感知器（perceptron）。感知器是一种研究单个训练样本的二
元分类器，训练较大的数据集很有用。而且，感知器和它的不足激发了我们后面两种将介绍的模型。
感知器是Frank Rosenblatt在1957年就职于Cornell航空实验室(Cornell Aeronautical Laboratory)时发
明的，其灵感源自于对人脑的仿真。大脑是由处理信息的神经元（neurons）细胞和连接神经元细胞
进行信息传递的突触（synapses）构成。据说人脑有1千亿神经元和10万亿突触构成。神经元的组成
如下图所示，主要包括树突（Dendrites），细胞核（Cell Body）和轴突（Axon）。树突从一个神经
元接受电信号。信号在细胞核里处理，然后通过轴突将处理过的信号传递给另一个神经元。
一个神经元可以看作是将一个或多个输入处理成一个输出的计算单元。一个感知器函数类似于一个神
经元；它接受一个或多个输入，处理他们然后返回一个输出。咋看这样的模型，就像人脑千亿神经元
的一个孤胆英雄，无用武之地。但是，有两个理由使得我们有必要介绍它。首先，神经元可以实时
(online)，错误驱动(error-driven)的学习，神经元可以通过一一个的训练样本不断更新参数，而非一次
性使用整套数据。实时学习可能有效的处理内存无法容纳的大数据。其次，理解感知器的工作原理是
后两章算法学习的基础，包括支持向量机（support vector machines）和人工神经网络（artificial
neural networks）。感知器通常用下面的图形表示：
资源评论
