更改

渐进的pocket算法(Gallant, 1990)通过保留最近的最佳解解决了感知机学习过程中的稳定性问题。pocket算法接下来返回保存最佳的解而不是迭代的最后一个解。它也可以被用于线性不可分的数据集，那么感知机的学习目的就是找一个使得误分类数量最小的解。然而这些解是完全随机出现的，因此pocket算法不能在学习的过程中最终得到这些解也不能保证在给定的迭代次数中找到这些解。

渐进的pocket算法(Gallant, 1990)通过保留最近的最佳解解决了感知机学习过程中的稳定性问题。pocket算法接下来返回保存最佳的解而不是迭代的最后一个解。它也可以被用于线性不可分的数据集，那么感知机的学习目的就是找一个使得误分类数量最小的解。然而这些解是完全随机出现的，因此pocket算法不能在学习的过程中最终得到这些解也不能保证在给定的迭代次数中找到这些解。

Maxover算法 (Wendemuth, 1995)<ref>A. Wendemuth. [http://www.iikt.ovgu.de/iesk_media/Downloads/ks/publications/papers/1995/wendemuth1995_learning_unlearnable-p-1452.pdf Learning the Unlearnable]. J. of Physics A: Math. Gen. 28: 5423-5436 (1995)</ref> 在某种意义上是[[稳健的(robust)]]，因为无论是否事先知道数据集线性可分，它都会达到收敛。在线性可分的情况下，即使具有最佳的稳定性（即类之间达到[[最大间距]]）也能很好解决训练问题。对于线性不可分的数据集，它会返回一个少量误分类的解。在所有的情况下，该算法在学习过程中会逐渐接近解而不会存储先前的状态，也不会随机跳跃。收敛性是指线性可分数据集的全局最优解和非线性可分数据的局部最优解。

Maxover算法 (Wendemuth, 1995)<ref>A. Wendemuth. [http://www.iikt.ovgu.de/iesk_media/Downloads/ks/publications/papers/1995/wendemuth1995_learning_unlearnable-p-1452.pdf Learning the Unlearnable]. J. of Physics A: Math. Gen. 28: 5423-5436 (1995)</ref> 在某种意义上是具有[[鲁棒性]]得，因为无论是否事先知道数据集线性可分，它都会达到收敛。在线性可分的情况下，即使具有最佳的稳定性（即类之间达到[[最大间距]]）也能很好解决训练问题。对于线性不可分的数据集，它会返回一个少量误分类的解。在所有的情况下，该算法在学习过程中会逐渐接近解而不会存储先前的状态，也不会随机跳跃。收敛性是指线性可分数据集的全局最优解和非线性可分数据的局部最优解。

投票感知机 (Freund and Schapire, 1999)，是一种使用多权重的感知机的变种。每当一个例子被错误的分类时，算法会启动一个新的感知机，然后使用最后的感知机的权重作为现在感知机的初始化权重。每次分类错误感知机都会被给予另外的权重直到所以样本分类正确。最后得到所有感知机加权投票的结果。

投票感知机 (Freund and Schapire, 1999)，是一种使用多权重的感知机的变种。每当一个例子被错误的分类时，算法会启动一个新的感知机，然后使用最后的感知机的权重作为现在感知机的初始化权重。每次分类错误感知机都会被给予另外的权重直到所以样本分类正确。最后得到所有感知机加权投票的结果。