感知机是二分类的线性模型，其输入是实例的特征向量，输出的是事例的类别，分别是+1和-1，属于判别模型。
假设训练数据集是线性可分的，感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面。如果是非线性可分的数据，则最后无法获得超平面
我们首先定义对于样本(xi,yi)(xi,yi)，如果w⋅xi+b||w||>0w⋅xi+b||w||>0则记yi=+1yi=+1，如果w⋅xi+b||w||<0w⋅xi+b||w||<0则记yi=−1yi=−1。
这样取y的值有一个好处，就是方便定义损失函数。因为正确分类的样本满足yi(w⋅xi+b)||w||>0yi(w⋅xi+b)||w||>0，而错误分类的样本满足yi(w⋅xi+b)||w||<0yi(w⋅xi+b)||w||<0。我们损失函数的优化目标，就是期望使误分类的所有样本，到超平面的距离之和最小。
所以损失函数定义如下：
L(w,b)=−1||w||∑xi∈Myi(w⋅xi+b)L(w,b)=−1||w||∑xi∈Myi(w⋅xi+b)
其中M集合是误分类点的集合。
不考虑1||w||1||w||，就得到感知机模型的损失函数：
L(w,b)=−∑xi∈Myi(w⋅xi+b)
网友评论