这篇博客探讨了PLA（Perception Learning Algorithm）算法，适用于线性可分问题。文章介绍了算法的基本原理，通过错误驱动的调整策略来逐步优化向量，确保在给定数据集上的判断与实际相符。对于线性可分的数据集，PLA算法被证明是可收敛的，且讨论了算法的收敛性和调整次数。此外，还提到了PLA的优缺点，并引入了Pocket PLA作为改进算法，以处理噪声和提高线性可分性。
此博客停止更新迁移至SnailDove's Blog，查看本文点击此处
PLA(Perception Learning Algorithm) 适用于二维及高维的线性可划分问题。问题的答案只有同意或者不同意。
例子
银行可以根据顾客的个人信息来判断是否给顾客发放信用卡。将顾客抽象为一个向量，包括姓名、年龄、年收入、负债数等。同时设定各个属性所占的权重向量为，对于正相关的属性设置相对较高的权重，如年收入，对于负相关的属性设置较低的权重，如负债数。表示是否想该用户发放了信用卡。通过求和的内积减去一个阀值threshold，若为正则同意发放信用卡，否则不发放信用卡。我们假设存在着一个从到的映射，PLA算法就是用来模拟这个映射，使得求出的函数与尽可能的相似，起码在已知的数据集(即样本上)上一致。
PLA算法即用来求向量，使得在已知的数据中机器做出的判断与现实数据相同。当
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
