为什么将它用于线性可分离的事物？

Question

如果我们坚持X和Y轴，X轴是时间，Y轴是考试分数。更多的时间等同于高分。您可以使用二进制分类算法来预测成功。如果语句做同样的事情

If (time > someValue)
   User will probably pass

另一个场景是，我有番木瓜，它们有两个标签，即“毛茸茸”和“颜色”。

If the squishness is greater then 7 //on a scale of 1-10
   AND the color is green 
     Then it is a good papaya

Else 
   It isn't ripe.

我不明白感知器在这些场景中的价值。

Answer 1

它的价值很简单--感知器，或者任何其他学习算法，学习规则，另一种方法是用手工来设计规则，就像您所做的那样。如果组合不涉及2个因素，而是100个因素，你如何找到这些最优值？如果规则不是“干净的”，而是需要一些接受错误预测的概念来最大化正确预测的概率，那该怎么办？

一般来说，你是完全正确的-对于简单的，线性可分的数据在低维空间，没有意义使用ML。事实上，noone使用旧的好感知器来做任何事情。这只是一个概念的证明，产生了大量的复杂和强大的统计学习方法。

Answer 2

您已经创建了两个特殊的场景，其中这样一个简单的规则可以工作(因为您的线性边界与您的特征轴一致)。但是一般来说，您的决策树可能要复杂得多(甚至无限长)，才能完美地建模一个线性决策边界。

假设真正的决策边界是

test_score = 3 * time

所有的点以上的线是“很可能通过”，而下面的所有点是“可能会失败”。您需要的if语句的数量随着样本数量的增加而增加。另一方面，单个感知器节点可以很容易地对这种情况进行建模。

主要的一点是感知器建模线性决策边界，而不需要对齐你的特征轴。因此，在许多实际情况下，您可以使用单个感知器(或类似的逻辑回归)来建模决策边界，它比简单的特征阈值规则(基本上对应于决策树)要复杂得多(和/或不那么精确)。

Answer 3

是的，线性模型就行了。您还可以使用感知器完成这些分类任务。在以下情况下，可以使用基于感知器的、ANNs、和其他算法：

• 输入是高维离散或真实值(例如原始传感器输入)。
• 输出是离散的、实值的或值的向量。
• 可能有噪音的数据
• 目标函数的形式是未知的
• 人对结果的可读性并不重要。
• 例如:语音识别，图像分类

将它用于不太复杂的任务是非常过分的，你是对的。