HanLP — 感知机(Perceptron)

简介: HanLP — 感知机(Perceptron)

HanLP — 感知机(Perceptron) -- Python

感知机(Perceptron)是一个二类分类的线性分类模型,属于监督式学习算法。最终目的: 将不同的样本分类

感知机饮食了多个权重参数,输入的特征向量先是和对应的权重相乘,再加得到的积相加,然后将加权后的特征值送入激活函数,最后得到输出

激活函数的前面部分,是线性方程 wx+b

线性方程输出的是连续的值,但对于分类来说,最终需要的类别信息是离散的值,这时候,激活函数就派上用场了,激活函数的存在,是将连续回归值,转变成1 -1 这样的离散值,从而实现类别划分

激活函数

激活函数有很多种,在深度学习中,有着非常重要的作用,在感知机中使用的激活函数是 sin(),

假如输入到模型中的是一个二维的特征向量(x1,x2),则整个过程可以表示为如下:

输入的特征向量(x1,x2)先分别和权重(w1,w2)相乘,再将两者相加,最后加上偏置 b ,最终得到的值,和阈值 0 做比较,如果值大于0 则输出1,否则则输出 -1

(X1W1+X2W2+...X1∗W1+X2∗W2+...) + b => np.dot(X,W) + b

这样一来,就会划分到了线性方程 wx+b=0 两侧的样本,就分成了正、负两类,用感知机进行二分类,需要先找到能够将正、负样本完全区分开的决策函数 wx+b=0,如下图

因此就需要确定一个学习策略,也就是定义一个损失函数,再通过训练样本,通过减小损失值,不断迭代模型参数,最终找到最优参数 w 和 b ,

损失函数的作用: 用来衡量模型的输出结果,和真实结果之间的偏差,然后根据偏差,修正模型,

回归任务

在回归任务中,标签和模型输出都是连续的数值,很容易就能衡量出二者之间的差异。

可对于感知机的分类问题来说,我们又该如何衡量差异呢?一个直观的想法,就是去统计误分类样本的个数作为损失值,误分类的样本个数越多,说明这个该样本空间下的表现越差,但是这样的函数是非连续的,对 w 和 b 不可导,所以我们无法使用这样的损失函数来更新 w 和 b.

为了得到连续可导的损失函数,感知机选择用误分类样本到决策函数的距离,来衡量偏差

这里是单个样本点到决策函数的距离公式

1||w|||wx0+b|1||w|||w∗x0+b|

其中 x0x0 表示样本点的输入 ||w||||w||等于权重向量 ww 的模长 ||w||=(w21+w22+...+w2n)||w||=(w12+w22+...+wn2)

对于感知机分类问题来说,可以用 y0(wx0+b)−y0(w∗x0+b) 来代替 |wx0+b||w∗x0+b|

y0y0 表示样本点 x0x0 对应的标签值。

为什么可以这样代替呢?

假设有两个误分类样本

样本1 (x1,y1)(x1,y1) 样本2 $(x_2,y_2) 1,样本1的真实类别为正样本,即:y_1 = 1$,但是在模型中,样本1 却被误分类为了负样本,也就是计算得到的 wx1+b0wx1+b≤0,那么 y1(wx1+b)=1(wx1+b)−y1(w∗x1+b)=−1(w∗x1+b) 最终的结果变成了正值,大小等于 |wx1+b||w∗x1+b|

样本2 的真实类别为负样本,y2=1y2=−1 即在模型中被误分类为了正样本。也就是计算得到的 wx2+b>0w∗x2+b>0,那么 y2(wx2+b)−y2(w∗x2+b) 就等于 1(wx2+b)1(w∗x2+b) ,结果仍为正值,大小等于 |wx2+b||w∗x2+b|

因此:所有误分类的样本到决策函数的距离和就可以表示为如下

感知机所关心的,是怎么能将两类样本正确地区分开,对样本点到决策函数距离的大小并不关心,如下图,红线和绿线都能将两类样本正确地区分开,所以对感知机来说,这两条线的分类效果是一样的

因此,可以把1||w||1||w|| 去掉

最终,感知机的函数就是L(w,b)=xiMyi(wxi+b)L(w,b)=−∑xi∈Myi(w∗xi+b)

感知机适用于样本特征简单,且线性可分的二分类问题,因为运算简单,所以计算效率高。

不过在复杂的场景中,感知机往往不能胜任,所以我们在感知机的基础上,又诞生了多层感知机神经网络

https://www.bilibili.com/video/BV19h4y1w7WL


目录
相关文章
|
4月前
|
算法
HanLP — HMM隐马尔可夫模型 -- 训练
HanLP — HMM隐马尔可夫模型 -- 训练
41 0
HanLP — HMM隐马尔可夫模型 -- 训练
|
4月前
|
机器学习/深度学习 存储 算法
HanLP — 感知机(Perceptron) -- Python
HanLP — 感知机(Perceptron) -- Python
46 0
|
4月前
|
自然语言处理
HanLP — HMM隐马尔可夫模型 -- 语料库
HanLP — HMM隐马尔可夫模型 -- 语料库
48 0
|
数据采集 自然语言处理 开发工具
fasttext实现文本分类
fasttext实现文本分类
335 0
|
机器学习/深度学习
FastText
简单文本分类网络
103 0
|
算法 数据挖掘 Linux
【文本分类】采用同义词的改进TF-IDF权重的文本分类
【文本分类】采用同义词的改进TF-IDF权重的文本分类
141 0
【文本分类】采用同义词的改进TF-IDF权重的文本分类
|
机器学习/深度学习 算法 API
使用paddle2.0实现单层感知机
大家好,这里是三岁,给大家带来的是简单感知机(单层感知机)的paddle2.0 实现
176 0
使用paddle2.0实现单层感知机
DL之Perceptron&AdalineGD:基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类
DL之Perceptron&AdalineGD:基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类
DL之Perceptron&AdalineGD:基于iris莺尾花数据集利用Perceptron感知机和AdalineGD算法实现二分类
|
机器学习/深度学习 存储 算法
Paper:《CatBoost: unbiased boosting with categorical features》的翻译与解读
Paper:《CatBoost: unbiased boosting with categorical features》的翻译与解读
Paper:《CatBoost: unbiased boosting with categorical features》的翻译与解读
|
机器学习/深度学习 存储 算法
Paper:《CatBoost: unbiased boosting with categorical features》的翻译与解读(一)
Paper:《CatBoost: unbiased boosting with categorical features》的翻译与解读(一)

热门文章

最新文章