论分类(三)-感知器篇(续)
来源:互联网 发布:远程教学用什么软件 编辑:程序博客网 时间:2024/06/01 22:06
刚才我们领略了感知器分类的能力,并且提到了感知器的学习算法,对于这个算法是怎么样一步步具体来的有兴趣的朋友可以自己试着找下。但这里还有个问题,算法有个基本要求就是有穷性,但是上述所给的感知器算法会不会死循环一直进行下去呢,在这可以可以明确的告诉大家,算法在线性可分的情况下一定会停止的,具体证明过程可以参见有关书籍这里就不给出了。刚刚说在线性可分的情况下感知器就能区分出来我们要分类的数据,这也就是告诉了我们感知器的能力极限是线性可分的数据集合,可能这里有人会问什么样的样本点集才是线性可分的呢,这儿可以简单地说明下。假设分类的两类点集A与B,我们将其中每一个点都扩展一个维度,原来点x变成(x,1),这样形成一个新的点集合A'与B',构造一个新的点集D=A'∪(-B'),点集合D形成的凸闭包S,如果S不包含原点,那么A与B就线性可分,否则线性不可分。回到刚才的话题,我们已经知道了感知器的极限是线性可分,然而针对同一个线性可分的点集合A与B,会有不同的感知器,如图(4)区分点集A与B感知器不仅限于L2与L1。那么在这两个感知器中谁的分类能力会更加好些呢,显然由于L1能将A与B的两类点区分的更加开,L2明显L1没有L2的分类能力好。所以为了使得我们的感知器的分类能力更加强,那么我们就找那个能够将数据分割的最开的感知器。那么我们该如何定义分割的最开,以及我们又如何去寻找这样一个感知器呢?
图(4)
对于如何定义分割的最开,直觉上我们觉得点集中的点距离给定的超平面的距离越远越好,说到点到超平面的距离,上过高中的同学肯定都知道点到直线的距离公式f(x,y)/√A2+B2,这个数学公式吧,同样在N维空间中点到超平面的距离d=(ωT*X+b)/||ω||,这样所有的样本点集到超平面的距离构成集合D={d},我们并不是对所有的点到超平面的距离都感兴趣,我们更加关心所有的点到超平面的最小距离dmim=min{d},有了dmim这个值我们就可以比较两个感知器的分类能力,很明显感知器所对应的dmim越大越好。
- 论分类(三)-感知器篇(续)
- 论分类(三)-感知器篇
- 感知器分类算法
- 感知器数据分类算法
- 感知器算法(二分类问题)
- matlab实现简单的感知器分类
- 基于简单感知器的分类
- 感知机分类学习
- 线性分类器之感知器模型(Perceptron)
- 多层感知器的数据分类的过程
- 文本分类算法之--单层感知器的神经网络
- 单层感知器---二分类/线性可分
- 使用单层感知器对坐标点进行二分类
- 图像的线性分类器(感知机、SVM、Softmax)
- 模式识别1-线性分类器(感知机)
- 基于简单感知器分类算法(matlab实现)
- 通过感知器实现对鸢尾花的分类
- Python机器学习库sklearn里利用感知机进行三分类(多分类)的原理
- hdu 1253 胜利大逃亡_三维
- 如何利用iText在java程序中生成PDF文件
- linux2.6调度器
- hdu 4549 M斐波那契数列 数论 矩阵
- Http常见错误
- 论分类(三)-感知器篇(续)
- Hadoop中MapReduce运行剖析-Anatomy of a MapReduce Job Run with Hadoop
- TCP参数设定说明
- JAVA虚拟机体系结构-------(深入Java虚拟机第五章总结)
- Myeclipse中同时改变一个类中相同的代码的方法
- python script 生成sql 进行多个数据库合并
- 有趣的C语言面试题
- java----正则表达式
- 解决:mongodb的permissions on /data/k0 are too open