感知器

1957年，美国学者Frank Rossenblatt（弗兰克·罗森布拉特）提出了感知器（感知机）算法。感知器用来接收多个信号，输出一个信号（由多个神经元组成）。每个输入信号具有一定的权重，计算多个输入信号的值与权重的乘积和，根据该结果（和）与指定的阈值进行比较，来决定该神经元是否被激活。
根据感知器的定义可知，感知器可以实现二分类的任务。感知器的计算方式如下Z=W_1X_1+W_2X_2+…+W_nX_n+W_0=∑_n_i=1▒W_iX_i+W_0=WX+W_0
其中，Z称为净输入（Net Input）。然而，这样的计算结果是一个连续的值，我们需要将结果转换为离散的分类值，因此，这里，我们使用一个转换函数，该函数称为激励函数(激活函数)。
激活函数： sgn(Z)={█(1 Z≥θ@−1 Z<θ)┤ ，这里的θ就是阈值。
感知机的学习规则非常简单，对于训练样本（x, y），若当前感知机的预测输出为y ̂，则感知机的权值将这样调整，其中η∈(0,1)表示学习率：
我们每次仅仅需要使用一个误分类点来更新梯度。
更新原则：如果预测准确，则权重不进行更新，否则，更新权重，使其更趋向于正确的类别。