前言
感知器模型是线性分类模型的一个基本模型,是当今主流的神经元基本结构,掌握好感知器模型有利于我们的机器学习进一步学习,这里简单介绍下感知器模型并且用Python代码演示。 如有谬误,请联系指正。转载请注明出处。 联系方式: e-mail: [email protected] QQ: 973926198 github: https://github.com/FesianXu 代码开源:click
线性分类模型与线性回归模型的区别
在线性回归模型中我们谈到了线性回归模型,而机器学习中很多任务是涉及到分类任务的,单纯的回归模型不能离散输出而只能连续输出,比如只能连续输出区间[0, 1]的值,而不能离散输出0或者1,因此需要对线性回归模型进行一定的改造才能变为线性分类模型。下图为线性回归模型的图示,这个也称为一个神经元: 进行所谓的‘改造’指的是在神经元的输出端添加一个激活函数,使得输出从连续取值变为离散输出如0或者1。
感知器模型
在经典的感知器模型(Perceptron)中,在输出端添加了一个阶跃函数(Step Function),这样就将输出离散到了0或者1,表达式如:
ϕ
(
x
)
=
{
1
x
≥
0
0
x
<
0
\phi(x) = \begin{cases} 1 & x \ge 0 \\ 0 & x < 0 \end{cases}
ϕ(x)={10x≥0x |