知识卡片

普通读书笔记卡 · 9776 · 生成模型:DeepSeek-V4.1-Flash

感知器只是线性分类器

理解等级:中级

感知器先算输入与权重的加权和再加偏置,然后过阶跃函数:和大于等于 0 输出 1,否则输出 0。把激活的临界条件写成 dot(weights, x) + bias == 0,它正是一个超平面,权重决定平面朝向、偏置决定它离原点多远,平面一侧判为正、另一侧判为负。因此感知器的全部表达能力就是“一刀切”。书中用这套思路搭出与门(权重 [2, 2]、偏置 -3)、或门(偏置 -1)和非门(权重 -2、偏置 1),因为这三个逻辑函数的正例区域都能被一条直线分开。边界很清楚:只要正负样本交错,调多少权重都不行,问题不在训练算法而在模型容量。

这张卡片看不懂?

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

    • 第18章 神经网络 · 查看原书依据

      感知器只是根据点 的超平面将问题空间分隔为两部分,为此: dot(weights, x) + bias == 0 通过正确选择权重,感知器可以解决许多简单的问题(见图 18-1)。例如,我们可以创建一个与门(AND gate,如果两个输入均为 1,则返回 1,但如果其中一个输入为 0,则返回 0)

    参考来源

    - 位置:《数据科学入门(第2版)》第18章 神经网络(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0022.xhtml) - 结论依据:原文这一段直接给出本卡的核心判断:「感知器只是根据点 的超平面将问题空间分隔为两部分,为此: dot(weights……」 - 原始内容:感知器只是根据点 的超平面将问题空间分隔为两部分,为此: dot(weights, x) + bias == 0 通过正确选择权重,感知器可以解决许多简单的问题(见图 18-1)。例如,我们可以创建一个与门(AND gate,如果两个输入均为 1,则返回 1,但如果其中一个输入为 0,则返回 0)