一、感知机

1、特点

• 输入为实例的特征向量，输出为实例的类别，取+1和-1
• 感知机对应于输入空间中将实例划分为正负两类的分离超平面
• 导入基于误分类的损失函数
• 利用梯度下降法对损失函数进行极小化
• 感知机学习算法具有简单而易于实现的优点
• 1957年由Rosenblatt提出，是神经网络与支持向量机的基础

2、感知机模型

2.1、例1：儿童免乘车票

2.2、例2：鱼的分类

2.3、例3：高维空间上的分类

2.4、感知机的定义

2.5、感知机的几何解释

3、学习策略

3.1、两个问题

3.2、损失函数

3.3、优化目标

4、学习算法

4.1、梯度下降法

4.2、感知机学习算法

batch：拿总体样本，一次性更新。 优点：稳定 缺点：复杂，耗时
随机梯度下降法：逐个拿样本进行更新。 优点：简单，耗费低 缺点：不稳定
mini-batch：选择部分样本进行更新，综合考虑了batch和随机梯度下降的优点。

5、存在的问题

• 感知机算法存在许多解【不唯一】，既依赖于初值，也依赖迭代过程中误分类点的选择顺序
• 线性不可分数据集，迭代震荡
  
  

二、支持向量机

1、概述

• 感知机的分类超平面不唯一问题–增加约束，如SVM中的最大化间隔
• 感知机无法解决非线性问题–使用核方法，映射到高维空间
  
  

2、线性可分SVM与硬间隔最大化

3、线性SVM与软间隔最大化

4、非线性SVM与核函数

4.1、线性不可分情况

• 若不存在一个能正确划分两类样本的超平面,怎么办?
• 将样本从原始空间映射到一个更高维的特征空间,使得样本在这个特征空间内线性可分
  
  
  

4.2、处理非线性数据

4.3、非线性支持向量机

4.4、核函数的本质