机器学习一 基于感知机模型实现对mnist数据集的分类

原理分析 ①感知机 原理   设输入空间（特征空间）为 X ⊆ R  ,输出空间为Y = { − 1 , + 1 } ，输入 x ∈ X为实例的特征向量 输出 y ∈ Y为实例的类别，由输入空间到输出空间的如下函数称为感知机 f(x) = sign(wx+b)    其中w和b为模型参数，w ∈ R n 称为权值，b ∈ R b称为偏置。sign是符号函数。    感知机模型有直观的几何解释：线性方程 w x + b = 0对应于分离超平面S,其中w为S的法向量，b为S的截距。求解感知机，就是要解出w和b,得到能正确分离所有正负样本的超平面S 算法   输入：线性可分的训练数据集T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x N , y N ) } ​其中x i ∈ X = R