知识卡片
感知器与阈值激励
感知器源自对神经元的抽象。McCullock 与 Pitts 1943 年把神经细胞描述成二进制输出的逻辑门:树突接收多个输入,累加超过阈值就经细胞体产出信号沿轴突传递。Rosenblatt 据此提出感知器学习法则:用权重 w 与输入 x 的线性组合 z=w₁x₁+…+wₘxₘ(净输入)作为激励函数 φ(z) 的输入,φ 是简单的分段(单位阶跃)函数——输出大于阈值 θ 判为 +1 类,否则判为 −1 类。这样感知器就是一个把净输入映射到二值类标的线性分类器,其决策边界是一条能把两类线性分开的超平面。理解要点:净输入是加权求和,激励函数把它压成二值类标,权重决定边界方向。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 2.1 人造神经元——早期机器学习概览 · 查看原书依据
树突接收多个输入信号,如果累加的信号超过某一阈值,经细胞体的整合就会生成一个输出信号
参考来源
- 位置:《Python机器学习》第2章《2.1 人造神经元——早期机器学习概览》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0021.xhtml.xhtml)
- 结论依据:原文讲述 MCP 神经元"累加超阈值即激活",以及 Rosenblatt 用净输入 z 与分段激励函数 φ 把样本判为 1/−1 两类。
- 原始内容:树突接收多个输入信号,如果累加的信号超过某一阈值,经细胞体的整合就会生成一个输出信号