感知机模型
来源:互联网 发布:js urlencode转码 编辑:程序博客网 时间:2024/05/16 12:34
首先看一个例子
上图显示
橙色的是该问题的最小二乘法解,通过对X上的-1/1响应Y回归得到。
可以看到,这个解不能很好地解决这个问题,因为它错分了一个点。事实上,对于这个问题,LDA的解也就是最小二乘法的解(见上一篇)。
上图中两条蓝色的分隔线是以不同随机初始化的感知机学习算法找出的,可以看到,这里两类被正确分隔开。
感知学习算法(perceptron learning algorithm)试图通过极小化误分类点的函数间隔
如果相应
其中
梯度由
感知机算法使用随机梯度下降法极小化该准则,这意味着不是每次计算所有误分类数据的梯度和,而是每访问一个误分类观测之后就在该方向上前进一个步长。
因此,按照某种次序访问误分类的观测,并使用下式更新参数
这里把
这里
可以证明,如果类是线性可分隔的,在有限步后,算法收敛于一个分离超平面,如上图中的两条蓝色分隔线。
具体的,考虑如下问题(统计学习基础4.6):
假定
记分隔超平面为
由分隔超平面的性质我们可以得到
所以可以得到
取
所以
在这里定义
给定当前的\beta_{old},感知机算法之别处z_i被误分类,并产生更新
两边同时减去\beta_{sep},然后平方得到
其中,
所以我们可以得到
所以我们可以得出结论,
感知机算法在不超过
感知机模型存在一些问题:
1.当数据可分时,存在很多解,并且找到哪个解依赖于初值。
2.”有限步”的步数可能很大。间隔越小,所需时间越长。
3.当数据不可分时,算法不收敛,并周期变化。该周期很可能很长,因此难以检测。
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 感知机模型
- 2.3 感知机模型
- 感知机学习模型
- 感知机模型
- 感知机1 -- 感知机模型
- 感知机模型收敛性推导
- 感知机--模型与策略
- 机器学习:感知机模型
- (转载)感知机模型
- Android扫描wifi二维码自动连接wifi
- 图论的相关算法java实现
- Java的面向对象编程二
- 数据结构-----创建/递归非递归遍历二叉树
- C语言命令行参数
- 感知机模型
- 监听的四种方法
- C#.net页面跳转的七种方法
- Cf Edu 15 C Cellular Network 二分
- Android NDK中C++ STL库动态和静态链接
- 图片压缩命令
- vs2010下release版本调试设置
- React 入门实例教程
- CodeForces 635C XOR Equation 数学 公式