浅析感知机学习算法

感知机是二分类的线性分类模型，由输入特征 x 得到输出类别1或-1的映射函数：

称为感知机。其中w，b为感知机模型参数，w为超平面的法向量，b为超平面的截距。若参数确定，则分类模型也相应的确定。sign是符号函数，即：

对于新的输入特征 x，分类准则：

1. 点到平面的距离

假设超平面方程为：

点到超平面的距离d：

2. 感知机学习策略

对于误分类数据，满足如下不等式：

正确分类的数据无损失函数，所有误分类的数据点Mi到超平面的总距离为：

不考虑标准化范数，就得到感知机学习的损失函数：

一般用当前样本估计损失函数称为经验风险函数，因此上式就是感知机学习的经验风险函数。

2.1式是训练样本的损失函数，显然，损失函数L(w,b)是非负的，在负分类时，损失函数L(w,b)是w,b的连续可导函数，正确分类时，损失函数是0，因此，2.1式是w,b的连续可导函数，可以放心大胆的用随机梯度下降算法来构建模型，梯度下降的方向是损失函数值减小最快的方向，当损失函数为0时，模型构建完成。本节介绍感知机学习算法的两种形式：原始形式和对偶形式。

1. 感知机学习算法的原始形式

损失函数L(w,b)的梯度：

随机（随机梯度下降法的定义）选取一个误分类点(xi,yi)，对w,b进行更新：

因此，感知机学习算法原始形式的模型构建步骤：

注意：初始化参数w0，b0值不同或随机选取的误分类点不同，得到的最优模型参数也可能不同，因为满足感知机损失函数为0的模型不止一个。

图解感知机学习算法的原始形式：

如下图，红色框为误分类点，l1为位分类直线，随机梯度下降法使l1直线顺时针旋转角度为l2直线，点到分类直线的距离逐渐减小直到被正确分类。

2. 感知机学习算法的对偶形式

思想：对于每一个误分类样本点（xi,yi），假设误分类点共迭代次后，结果无误分类点，那么参数w,b就是对应的模型参数，，参数表示：

解法：用3.1式和3.2世代入上一节的w和b式子，其他步骤完全一样，即可解得参数。

同时，用3.1式和3.2式代入2.1式，可得感知机的对偶模式：

发现亮点没？f(x)表达式包含了内积部分，所以尽情的用核函数吧！因此，感知机也能实现非线性分类。

感知机算法有两个点需要引起重视：（1）感知机算法用点到平面的距离作为损失函数，稍微修改下就和支持向量机一样。（2）感知机算法可以写成对偶形式，所以也能通过核函数实现非线性分类。