最近在复习深度学习,最基础的感知器是神经网络的基础组成单元,理解一下感知器分类算法是如何进行数据训练的吧!
从上面的图中可以看出,上面的数据集中的点,感知器会随机画一条直线作为分隔界限,从上面图中看出,初始的分隔界限产生了两个分类错误的点,那么怎么能进一步优化这个分隔线,使得他的分类效果达到更好?
对于错误分类的点,感知器是努力让分割线离得更近一点,所以感知器会适当的调整分割线的位置,使得分割线离分类错误的点更近一些。
上图中给出一个具体的例子,分割线:3X1+4X2-10 = 0,上方蓝色的区域是正区域,下方红色区域的是负区域,这里面分为两种情况:
(1) 真负点被划为正区域(如上图):一个红色的点被划分到蓝色的区域,此时,需要调整分隔线的位置,使得分割线离那个红色的点更近一点,如何调整呢?调整的方法见图中右边的计算公式,这里有一个学习率(learnig rate)设为0.1,假如那个红色点的坐标(4,5),在加上一个常量1,则(4,5,1)*0.1 = (0.4,0.5,0.1),再用分割线的系数(3,4,-10)-(0.4,0.5,0.1)=(2.6,3.5,-10.1),调整一次后的方程为:2.6X1+3.5X2-10.1 = 0
(2)真正点被划为负区域(如上图):一个蓝色的点被划分到红色的区域,此时,需要调整分隔线的位置,使得分割线离那