标签：cdot 分类 学习 感知机 eta 超平面 alpha 统计
感知机是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别｛-1,1｝，是一种判别模型。感知机学习的目的在于求出将训练数据进行划分的超平面。
感知机模型
输入空间\(X\epsilon R^{n}\),输出空间\(\gamma =\left \{ -1,1 \right \}\)。
\[ f(x)=sign(w\cdot x+b)\] \(x\)为输入向量，其中，\(w\)和\(b\)为感知机模型参数，\(w\cdot b\)表示内积，sign是符号函数。感知机的几何角度理解是：\[w\cdot x+b=0\]
是特征空间\(R^{n}\)的一个超平面，\(w\)是该平面的法向量，\(b\)是截距。这个超平面将特征空间划分为正负两个部分，如下图。
感知机学习策略
感知机学习的目的是为了找到能够将正负实例点正确分开的超平面，也就是要确定参数\(w\)和\(b\)，感知机的学习策略便是__定义一个损失函数并将其最小化__。于是便要选择一个损失函数的依据，可以选择误分类的点的数量作为损失函数，然而该函数不可导，不易于优化，因此选择误分类点到超平面的距离和：\[\frac{\left | w\cdot x +b \right |}{\left \| w \right \|}\] 此处\({\left \| w \right \|}\)是\(w\)的第二范数。注意需要优化的只是误分类的点，对于误分类的点有，\[-y_i(w\cdot x + b)>0\]恒成立，因此可去掉绝对值符号，并假设当前超平面的误分类的点的集合为M，由此得到感知机学习的损失函数为\[L(w,b)=-\sum_{x_i\in M}y_i(w\cdot x_i+b)\] 其中M为误分类的点的集合。显然该损失函数是非负的，当没有误分类的点时\(L(w,b)=0\).只需将损失函数优化到0即得到该分类超平面，不过由该方法得到的超平面的解不是唯一的（显然只需要能够正确分类时算法即停止）。
感知机学习算法
感知机所用优化方法是随机梯度下降法，包括原始形式和对偶形式。
原始形式
前面已经确定了感知机的损失函数，那么其原始形式只需要最小化这个损失函数即可。
\[\underset{w,b}{min}L(w,b)=-\sum_{x_i\in M}y_i(w\cdot x+b)\]其中M为误分类的点的集合。
随机梯度下降法初始时任选\(w_0\),\(b_0\)作为初始超平面，计算有哪些误分类点，如果有误分类点，随机选取一个误分类点，进行梯度下降。即先计算损失函数的梯度
\[\triangledown _wL(w,b)=-\sum_{x_i\in M}y_ix_i \]
\[\triangledown_wL(w,b)=-\sum_{x_i\in M}y_i\]梯度下降法使参数向反方向变化，使用随机选出的误分类点的数据，根据提前设置好的学习率\(\eta\)对\(w,b\)进行更新就可以了
\[w\leftarrow w+\eta y_ix_i\]
\[b\leftarrow b+\eta y_i\]这样便可使损失函数不断减小，直到为0时就得到了可正确分类数据集的超平面。对偶形式
在原始形式的学习算法中，可以看到每次更新\(w,b\)的数值都是选中的点\((x_i,y_i)\)的线性组合，那么\(w,b\)必然可以用\((x_i,y_i)\)线性表示，这样我们可以通过求解该线性组合的系数找到该超平面。对上节\(w,b\)的更新中，设总共修改N次，可将每次\(w,b\)增量表示为\(\alpha _iy_ix_i,\alpha _iy_i\)，其中\(\alpha = n_i\eta\)，假设\(w_0=b_0=0\)(这无关线性）。于是更新过程表示为
\[w=\sum_i\alpha _iy_ix_i\]
\[b=\sum_i \alpha _iy_i\]这里\(\alpha _i=n_i\eta _i\)的含义是在该学习率下\((x_i,y_i)\)在最后学习到的\(w,b\)中所贡献的权重，就是最后平面的\(w,b\)的系数，也是因该点误分类也进行更新的次数*\(\eta\)。由此，感知机模型可由\(\alpha ,b\)表出。
\[f(x)=sign(\sum_j\alpha _jy_j\cdot x + b)\]在判断是否是误分类点时用
\[y_i(\sum _j\alpha _jy_jx_j\cdot x_i + b)\leqslant 0\]更新时\[\alpha _i \leftarrow \alpha _i +\eta\]
\[b \leftarrow b + \eta y_i\]可以看到该计算过程中训练数据全部由内积得到，因此可以提前将内积计算出来由矩阵存储，可以减少算法过程中的计算量，这是Gram矩阵。\[G= [x_i \cdot x_j]_{N*N}\]
标签：cdot,分类,学习,感知机,eta,超平面,alpha,统计 来源： https://www.cnblogs.com/breezezz/p/11151116.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。