Perceptron的通行证数

Question

我正在尝试实现Perceptron算法，但我无法理解以下几点。

• 迭代数的理想值应该是多少？
• 这种算法适用于大数据量的数据吗？
• 阈值是否随迭代而变化？
• 如果是的话，它对最终产出有什么影响？

Answer 1

感知器不是一个特定的算法，它是一组算法的名称。这两种算法有两大不同之处。

1.集成和触发规则

设输入向量为x，权向量为w，阈值为t，输出值为P(x)。有各种计算P(X)的函数：

1. 二进制：P(x) =1(如果w * x>=t)或0(否则)
2. 半线性：P(x) = w * x (如果w * x>=t)或0(否则)
3. 硬限制：P(x) =t(如果w * x>=t)或w * x (如果0<w * x<t)或0(否则)
4. 乙状结肠：P(x) =1/ 1+e^(w * x)

还有很多其他人。所以很难确定阈值在最终结果中有什么不同，因为它取决于您使用的集成函数和激发函数。

2.学习规则

感知器的学习规律也是多种多样的。最简单和最常见的是

w -> w+ a * x* (D(x)- P(x))

其中，a是学习步骤的大小，而D(x)是对x的预期输出。因此，很难说什么应该是迭代的理想值，因为这取决于a 的值和有多少训练样本。。

因此，阈值是否随迭代而变化？也取决于，上面简单而常见的学习规则在训练时并不会修改阈值，但是还有其他一些学习规则确实会对其进行修改。

顺便问一下，这种算法是否适用于海量数据？是衡量分类器对某些数据集的适用性的主要指标，是数据集的线性可分性，而不是数据集的规模，要记住，单层感知器对于非线性可分数据集的性能很差。数据集的规模并不重要.