← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9829 · 生成模型:DeepSeek-V4.1-Flash

感知机就是一个符号函数

理解等级:初级

给定一个对象的特征向量 x=(x₁,…,x_N),为每个维度配一个权重 w_j,算加权和 Σw_jx_j,与一个门限值 threshold 比较:超过就判正类,否则判负类。把门限移到等式左边记作 b=−threshold,两种判断就能写成一个式子:

h(x)=sign(w·x+b)

sign 取值的 +1/−1 正好对应”是/否”。w 是超平面的法向量,b 是偏置(二维时就是截距)。几何上 w·x+b=0 是把输入空间切成两半的超平面:二维是一条直线,三维是一个平面,更高维是超平面。

两个前置概念:内积 w·x 度量 x 在 w 方向上的投影长度(乘上 ‖w‖);sign 把实数压成 ±1。把 w 和 x 各自补一个分量(w 末尾补 b,x 末尾补 1)可以写成两个”长”向量的内积,这只是书写方便。

这属于判别模型:它直接给出类别,不建模 P(x|y),也不输出概率。代价是决策边界必须是线性的,且只能处理二分类——这也是后面要用核函数、要用一对多策略的原因。

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

    参考来源

    - 位置:《机器学习基础:从入门到求职》第8章《第8章 支持向量机》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00011.html) - 结论依据:原文由"加权和减门限"引出符号函数形式的感知机,并指出其对应超平面 w·x+b=0、属于判别模型。 - 原始内容:进一步,我们将“是”和“否”分别用“+1”和“-1”表示,那么,上面的加权和减去门限值正好就可以用一个符号函数来表示……h(x)就称为一个感知机函数,可以更简单地表示为两个“长”向量的内积形式