机器学习笔记 - 什么是感知机(Perceptron)?

已于 2023-09-09 12:04:40 修改
阅读量2.6k 收藏 13
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习从入门到精通 文章标签： 感知机 感知器 机器学习 二元分类器 异或运算
于 2022-04-11 11:32:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/bashendixie5/article/details/124094490
本文介绍了感知机的起源、工作原理以及其在机器学习中的地位。通过分析感知机无法解决非线性可分问题，如XOR，阐述了其局限性。文章深入探讨了感知机的Python实现，包括数据集、架构、训练过程和终止条件，并展示了如何使用感知机对AND、OR和XOR数据集进行分类。最后，通过实际应用验证感知机无法解决XOR问题，强调了感知机在现代深度学习中的基础作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、什么是感知机？

        由Rosenblatt于1958年首次推出的感知机，他提出了基于原始 MCP 神经元的感知机学习规则。可以说是最古老、最简单的ANN算法。在此出版物之后，基于感知机的技术在神经网络社区中风靡一时。仅这篇论文就对当今神经网络的流行和实用性负有重大责任。

        但随后，在1969年，机器学习社区迎来了“AI寒冬”，神经网络没有人再关注。Minsky和Papert出版了Perceptrons - 计算几何导论，这本书有效地使神经网络的研究停滞了近十年——关于这本书有很多争议，但作者确实成功地证明了单层感知机无法分离非线性数据点。

        鉴于大多数现实世界的数据集是自然非线性可分的，这似乎感知机以及其他神经网络研究可能没有太大意义。

        在Minsky和Papert的书籍出版后，人们对神经网络的兴趣大幅下降。直到我们开始探索更深层次的网络（有时称为多层

了解本专栏 订阅专栏 解锁全文
AI（007） - 笔记 - 感知机（Perceptron）和多层感知机（Multi-Layer Perceptron）
DarkRabbit的专栏
06-20 2151
感知机（Perceptron）和多层感知机（Multi-Layer Perceptron） 之前并未做过笔记，所以这篇文章是对以下内容回顾，对应： 第六周：（02）感知机 第六周：（03）多层感知机和反向传播 维基百科（en）“Backpropagation” 词条 《机器学习》（西瓜书）：第5章 神经网络 - 5.1 神经元模型 《机器学习》（西瓜书）：第5章 神经网络 - 5.2 感知机...
深度学习入门知识（二）——什么是感知机
weixin_39329913的博客
07-14 2062
深度学习入门知识（一）——Python必备基础知识感知机（感知器）（英语：Perceptron）是Frank Rosenblatt在1957年就职于康奈尔航空实验室（Cornell Aeronautical Laboratory）时所发明的一种人工神经网络。它可以被视为一种最简单形式的前馈神经网络，是一种二元线性分类器。额，好抽象啊。。。​简单地说，感知机的作用就是，接受多个信号，输出单个信号，它和多输入单输出电路的作用类似。从简单感知机学起，后期再去学习复杂感知机，二者原理是一样的。假设有两个输入信号x1
【机器学习】多层感知机
最新发布
2401_84149564的博客
05-11 1013
感知机是一种二类分类的线性模型，通过分离超平面将实例划分为正负两类。其学习算法基于误分类的损失函数，利用梯度下降法进行优化。感知机模型简单易实现，但仅能处理线性问题。为突破这一限制，多层感知机（MLP）被提出，通过引入隐含层和非线性激活函数，增强了模型的表达能力。MLP由输入层、隐含层和输出层组成，通过反向传播算法进行训练，广泛应用于图像识别、语音识别等领域。反向传播算法通过前向传播计算输出，反向传播误差并更新权重，以最小化损失函数。本文还提供了使用Python实现MLP的代码示例，包括手动实现和使用PyT
感知机是什么
weixin_43870400的博客
03-09 1425
感知机作为神经网络（深度学习）起源的的算法，由美国学者Frank Rosenblatt于1957年提出。 感知机可以接收多个输入信号，输出一个信号。 X1,X2是输入信号，W1和W2是权重，y是输出信号。o被称为神经元。输入信号被送往神经元时，被分别乘以固定的权重，神经元计算传送过来的信号的总和，当总和超过阈值，才会输出1，这也称为神经元被激活。 权重越大，该权重对应的信号越重要。权重相当于电流中的电阻。电阻越小，通过的电流越大；感知机权重越大，通过的信号越大。在控制信号流动难度的上二者发挥着类似的作用。
什么是“感知机”？
seasonsyy的博客
02-16 2703
简单来说，感知机就是一个旨在建立一个线性超平面对线性可分的数据集进行分类的线性模型
什么是感知机（超详细 | 图文）
Xav Pun的博客
05-07 2万+
本文以图文的形式，通俗易懂地介绍 “感知机” 的结构原理。
感知机介绍
人生就是为了樱岛麻衣的博客
05-25 1437
定义 感知机(Perceptron)在1957年由Rosenblatt提出，是神经网络和支持向量机的基础。 感知机是一种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代表正类，-1代表负类。感知机属于判别模型，它的目标是要将输入实例通过分离超平面将正负二类分离。1 数学表示2 输入 x∈Rd或x=(x1,x2,....,xn)Tx∈R^d或x = (x_1,x_2,....,x_n)^Tx∈Rd或x=(x1​,x2​,....,xn​)T 输出 y∈{+1，−1}y∈\{+1，-1\
《机器学习by周志华》学习笔记-神经网络-02感知机与多层网络
vanilla698的博客
09-18 1116
感知机(Perceptron)由2层组织，如下图所示：「输入层神经元」接收外界输入信号后，传递给「输出层神经元 」「输出层神经元」是「M-P神经元」，亦称「阈值逻辑单元（threshold logic unit）」由上面的多层神经网络的概念可知，每层神经元与下一层神经元全互联，神经元之间不存在同层连接（x2连接到x3），也不存在跨层连接（x2连接到g4）。当「隐含层」变的越来越多的时候，这样的神经网络通常被称为「多层前馈神经网络」
机器学习笔记之前馈神经网络(三)M-P神经元模型与感知机的关系
静静的学习就好
03-24 1130
从本节开始，介绍反向传播算法(BackPropagation,BP)，本节将介绍M-P神经元模型与感知机算法的关系。
【机器学习笔记】——感知机（Perceptron）
热门推荐
孙悟充的博客
06-24 2万+
目 录 1 感知机（Perceptron）1.1 定义1.2 几何解释1.3 学习策略1.4 算法1.4.1 原始形式1.4.2 对偶形式2 算法实现2.1 实现原始形式算法2.2 实现对偶形式算法2.3 sklearn练习——自定义数据二分类2.4 对比练习——鸢尾花数据分类鸢2.4.1 尾花数据集2.4.2 数据预处理与特征选择2.4.3 对比手写模型与sklearn效果2.4.3.1 准备...
感知机 简介
Wisimer
04-26 2340
一、感知机模型 感知机（perceptron）是一种二分类的线性分类模型，它是一种监督式学习算法。感知机的输入为实例的特征向量，输出为实例的类别（取+1和-1）。感知机对应于输入空间中将实例划分为两类的分离超平面 S。感知机旨在求出该超平面 S，为求得超平面导入了基于误分类的损失函数，利用梯度下降法对损失函数进行最优化（最优化）。 感知机也是 Neural Networks（神经网络） 和 S...
机器学习感知机
01-17
主要是机器学习中感知机的MATLAB代码，里面带有相关数据
【机器学习】感知机
冰可乐的数据之路
09-03 2283
感知机是一个二分类的线性模型，它通过构造一个超平面，将特征空间中的样本分为两类。感知机的核心思想是找到一个超平面，使得不同类别的样本可以通过该超平面分开，适用于线性可分的数据集。
感知机（Perceptron）
灮星的博客
11-30 2728
感知机（Perceptron） 一、背景 ​ 感知机是Frank Rosenblatt在1957年于康奈尔航空实验室（Cornell Aeronautical Laboratory）时发明的一种人工神经网络。它可以被视为一种最简单形式的前馈神经网络，是一种二元线性分类器，是神经网络和支持向量机的基础。 二、定义原理 ​ 在背景中提到，感知机是一种二元线性分类器，通俗地说，就是感知机能够实现：将n维数据集先进行“是/非”仅两类的类型判别，再寻求一个超平面，使得这两类数据点能够完全地
感知机
weixin_33753845的博客
06-25 311
感知机： 就现在我理解的来看，感知机是最早被设计使用的人工神经网络的模型。感知机属于二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别，取值为+1和-1. 感知机使用特征向量来表示的前馈式人工神经网络，它是一种二元分类器，把矩阵上的输入（实数值向量）映射到输出值上（一个二元的值）。 是实数的表式权重的向量，是点积。是偏置，一个不依赖于任何输入值的常数。偏置可以认为是激励函数的偏...
深度学习理论基础3-什么是感知机？
qq_40878431的博客
12-30 348
感知机的文字描述：     ---->感知机接收多个输入信号，输出一个信号。     ---->感知机的信号只有01两种取值。 感知机的图像描述：   ---->输入：x1,x2   ---->权重：w1与w2   ---->输出：y   ---->阀值：x1*w1+x2*w2大于阀值时y会输出1，否则输出0。阀值是我们另外定义的。 感知机的...
机器学习：感知机
weixin_44766179的博客
04-27 1804
# 多层感知机 from sklearn.datasets import make_moons from sklearn.neural_network import MLPClassifier import numpy as np import matplotlib.pyplot as plt # 生成数据 x, y = make_moons(n_samples=800, noise=0.15,...
机器学习与数据挖掘笔记感知机
12-30
### 关于机器学习和数据挖掘中感知机的学习笔记 #### 感知机简介 感知机是一种用于线性分类的监督学习算法，属于最简单的神经网络形式之一。该模型由两层组成：输入层和输出层，其中权重连接这两层节点[^1]。 #### 数学表达式 感知机通过计算加权求和并应用激活函数来决定最终输出类别标签。具体来说： \[ f(x)=sign(\sum_{i=0}^{n}{w_ix_i}) \] 这里 \( w_i \) 表示第 i 维特征对应的权重参数，\( x_i \) 是相应维度上的输入变量值，而 sign 函数用来判断正负号从而得出所属类别。 ```python import numpy as np def perceptron_predict(X, weights): """基于给定权重预测单个样本X的结果""" z = np.dot(weights.T, X) return 1 if z >= 0 else -1 ``` #### 学习策略 为了调整初始设定不当或者随机初始化后的权重向量使之逐渐逼近最优解，采用误分类最小化原则更新规则如下所示: 如果实例被错误划分，则按照一定步长修正当前方向直至收敛为止；反之保持不变继续下一个训练样例直到遍历整个集合完成一轮迭代循环操作。 ```python learning_rate = 0.1 # 步长大小可调参优化设置 for epoch in range(max_epochs): for xi, target in zip(X_train, y_train): update = learning_rate * (target - predict(xi)) weights += update * xi ``` #### 应用场景 尽管简单朴素却有着广泛应用背景，比如垃圾邮件过滤器设计当中可以利用其快速高效的特点实现初步筛选工作；另外图像边缘轮廓提取任务里也能发挥重要作用等等[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坐望云起

如果觉得有用，请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值