感知机 - 版本历史

打豆豆：/* 编者推荐 */

2020-05-22T14:32:49Z

编者推荐

2020-05-22T14:32:16Z

编者推荐

2020-05-22T14:31:49Z

编者推荐

2020-05-22T14:31:01Z

编者推荐

2020-05-22T14:30:25Z

编者推荐

2020-05-22T14:29:29Z

学习算法

2020-05-22T14:28:48Z

2020-05-22T14:28:20Z

2020-05-22T14:28:06Z

2020-05-22T14:27:25Z

准则函数

@@ 第245行： / 第245行： @@
 ==编者推荐==
-[[File:swarma2-1534232088.jpeg|tunmb|right|300px|深度神经网络(DNN)是否模拟了人类大脑皮层结构]]
+[[File:swarma2-1534232088.jpeg|thumb|300px|深度神经网络(DNN)是否模拟了人类大脑皮层结构]]
 ===集智相关文章===

@@ 第245行： / 第245行： @@
 ==编者推荐==
-[[File:swarma2-1534232088.jpeg|tunmb|right|300px| 。深度神经网络(DNN)是否模拟了人类大脑皮层结构？ ]]
+[[File:swarma2-1534232088.jpeg|tunmb|right|300px|深度神经网络(DNN)是否模拟了人类大脑皮层结构]]
 [[File:Perceptron cant choose.svg.png|thumb|300px|两种种类的点和无限多的可以分割它们的线性边界。即使这两条线性边界是直角相对的，感知机算法也无法从其中选择。]]

@@ 第245行： / 第245行： @@
 ==编者推荐==
-[[File:swarma2-1534232088.jpeg|tunmb|right|300px| 深度神经网络(DNN)是否模拟了人类大脑皮层结构？ ]]
+[[File:swarma2-1534232088.jpeg|tunmb|right|300px| 。深度神经网络(DNN)是否模拟了人类大脑皮层结构？ ]]
 ===集智相关文章===

@@ 第245行： / 第245行： @@
 ==编者推荐==
-[[File:swarma2-1534232088.jpeg|tunmb|right|300px|深度神经网络(DNN)是否模拟了人类大脑皮层结构？]]
+[[File:swarma2-1534232088.jpeg|tunmb|right|300px| 深度神经网络(DNN)是否模拟了人类大脑皮层结构？ ]]
 ===集智相关文章===

@@ 第245行： / 第245行： @@
 ==编者推荐==
-[[File:swarma2-1534232088.jpeg|tunmb|right|300px]]
+[[File:swarma2-1534232088.jpeg|tunmb|right|300px|深度神经网络(DNN)是否模拟了人类大脑皮层结构？]]
 ===集智相关文章===

@@ 第82行： / 第82行： @@
 下面是一个介绍单层感知机学习算法的例子。对于存在隐层的多层感知机，必须使用诸如[[反向传播]]等更加复杂的算法。尽管下面的方法也是可行，但如果在函数是非线性且可微的情况下，那么可以使用[[链式法则]]等方法解决问题。
-当多个感知机在一个人工神经网络中组合应用时，每个输出神经元都独立于其他神经元运行。因此，学习的每一个输出都可以单独考虑。[[File:Perceptron example.svg.png|500px|thumb |right|一副图展示了感知机算法在新的训练数据加入时是如何更新它的线性边界的。]]
+当多个感知机在一个人工神经网络中组合应用时，每个输出神经元都独立于其他神经元运行。因此，学习的每一个输出都可以单独考虑。
 === 定义 ===

←上一版本		2020年5月22日 (五) 14:28的版本
第9行：		第9行：
	这是一种[[线性分类器]]，即一种基于[[线性预测函数]]将一组权值与特征向量相结合的分类算法。		这是一种[[线性分类器]]，即一种基于[[线性预测函数]]将一组权值与特征向量相结合的分类算法。

−	[[File:Kernel_Machine.svg.png~~\|400px~~\|thumb\|right\|机器学习和数据挖掘]]	+	[[File:Kernel_Machine.svg.png\|thumb\|right\|400px\|机器学习和数据挖掘]]

@@ 第3行： / 第3行： @@
 |description=感知机,感知器,集智,集智俱乐部
 }}
 在[[机器学习]]中，'''感知机'''是[[监督学习]]中的一种[[二元分类器]]（一种输入一个实值向量，判断其是否属于某一个类的函数<ref name = "T1"> Freund, Y;  Schapire, R. E.(1999), [https://cseweb.ucsd.edu/~yfreund/papers/LargeMarginsUsingPerceptron.pdf  "Large margin classification using the perceptron algorithm" .] Report  37 (3): 277–296, [https://link.springer.com/article/10.1023%2FA%3A1007662407062 doi:10.1023/A:1007662407062].</ref>）。
 这是一种[[线性分类器]]，即一种基于[[线性预测函数]]将一组权值与特征向量相结合的分类算法。
 [[File:Kernel_Machine.svg.png|300px|thumb|right|机器学习和数据挖掘]]

@@ 第78行： / 第78行： @@
 :<math>
-E(\mathbf{w}) = -\sum_{\mathbf{p}_i \in M}^{}{(\mathbf{w}^T\mathbf{p}_i) \; {t}_i}
+E(\mathbf{w}) = -\sum_{\mathbf{p}_i \in M}^{}{(\mathbf{w}^T\mathbf{p}_i) \; {t}_i}</math>
 其中<math>M</math>是被当前<math>\mathbf{w}</math>错误分类的的输入向量集合。当<math>\mathbf{w}^T\mathbf{p}_i \geq 0</math>时，<math>{t}_i</math>为<math>-1</math>，而当<math>\mathbf{w}^T\mathbf{p}_i < 0</math>时，<math>{t}_i</math>为<math>+1</math>。故，误差函数<math>E(\mathbf{w})</math>是一组正数的和，又或当训练集里所有输入都被正确分类时，等于零。