MP模型与感知机 - R崽的博客

# MP模型与感知机 ![2f61ec7463607ea5bf49a4fe49997b4a.png](/resources/e9c75326a5d041d382a8bbcf9e9ae684) ![08d9962f641c224dcd1651006f62ff10.png](/resources/7857ee5f0f7c46abbb84200401355cdd) ![0e51db141d7a4a5e5d9a890182f61025.png](/resources/2fc639bad9974c8bb7c27f6489deafe8) ## 感知机 ![36e7de84ab954be4a5da2297cc128fc5.png](/resources/54fcabcee94c43169c6bf2bce91a4b63) 简而言之，就是要把一开始��机生成的$W$和$b$训练成一种：所有样本在函数$W^TX+b$映射下都与样本的标签$y$同号的状态引入增广向量后，感知机还有另一种简化的表达： ![7bdc5afb0ee798f71417bb040d9f4a3f.png](/resources/8f24f69411d7490aba7341bb6dcdd52c) ![ee024656659e3be90a57d7fae8e1efa3.png](/resources/3b929e0de1604711a77e61d3500f4428) ![56c1c57454b425f1b3fd7b6211b80127.png](/resources/7ae5d4df59fa4454b7cc08ec4c721da3) ## 感知机算法只能处理线性可分问题感知机算法最终的目的其实类似于SVM，也是寻找一个超平面将线性可分的样本进行划分。但感知机算法接受任意可行解，而SVM只会寻找一个剩余分类空间最大的可行解： ![d5259435042085943500f4f06600b75a.png](/resources/f2cbebab5eab421a988e19773429cef1) ![56a832a178403bdfb4876d8cebc7c5a9.png](/resources/78a50aa19d374ae99e838da14a905fe4) ## 机器学习框架 ![905a835f19a8519293560a513de057ba.png](/resources/1c38cc522b1140d5bb45f016bad2b92b)