← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9635.k.1 · 生成模型:GPT-6(具体型号未记录)

感知机用超平面分类

理解等级:中级

二分类感知机先计算 w·x−θ,其中 x 是输入特征向量,w 是权重向量,θ 是阈值。令这个值为零,就得到特征空间中的决策边界:二维时通常是一条直线,更高维时是超平面。阶跃函数根据点位于边界哪一侧输出类别,边界上的值取决于函数如何规定等号。例如权重 (1,1)、阈值 1.5 时,二元输入中只有 (1,1) 位于正侧,因而可表达“与”。一条边界无法分开非线性可分的样本,例如 XOR 的两类交错点;增加训练轮数也不能改变单个线性边界的表达能力。

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 · 2 处

    参考来源

    - 位置:《深度学习之美:AI时代的数据处理与最佳实践》第07章《Hello World感知机,懂你我心才安息》,7.6 感知机的几何意义(book-source:extracted/深度学习之美:AI时代的数据处理与最佳实践/_epub-src/OEBPS/Text/chapter12_0006.xhtml#txt007_7) - 补充位置:同书 7.8 感知机的表征能力(book-source:extracted/深度学习之美:AI时代的数据处理与最佳实践/_epub-src/OEBPS/Text/chapter12_0008.xhtml#txt007_9) - 结论依据:原文及图 7-7 用加权和为零的超平面区分两侧类别;AND 的数值是教学示例,XOR 限制在 7.7 说明。 - 原始内容:若令其等于零,即w₁x₁+w₂x₂+...+wₙxₙ−θ=0,该方程可视为一个在n维空间的超平面P。