感知器的通过次数

Question

我正在尝试实现Perceptron算法，但我无法弄清楚以下几点。

• 什么应该是迭代数的理想值
• 这个算法适用于大量数据吗？
• 是否会随着迭代而改变阈值？
• 如果是，它在最终输出中有什么不同？

Answer 1

Perceptron不是一种特定的算法，它是一组算法的名称。这些算法之间存在两个主要差异。

<强> 1。整合和解雇规则

让输入向量为x，权重向量为w，阈值为t，输出值为P(x)。计算P（x）有各种函数：

1. 二进制：P(x) = 1（如果w * x＆gt; = t）或0（否则）
2. 半线性：P(x) = w * x（如果w * x＆gt; = t）或0（否则）
3. 硬限制：P(x) = t（如果w * x＆gt; = t）或w * {{1} }（如果0＆lt; x * w＆lt; x）或0（否则）
4. Sigmoid：t = 1/1 + e ^（P(x) * w）

和其他许多人。 因此很难说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和消防功能。

<强> 2。学习规则

Perceptron的学习规则也各不相同。最简单和最常见的是

x - ＆gt; w + w * a *（x - D(x)）

其中P(x)是学习步骤的大小，a是D(x)的预期输出。 因此，很难说什么应该是理想的迭代值，因为它取决于x的值以及您拥有的训练样本数量。

因此，thresold会随着迭代而改变吗？ 它也取决于。上面简单而常见的学习规则不会在训练时修改阈值，但还有一些其他学习规则会对其进行修改。

不过，你还问过这个algorothm是否适合大量数据？ 衡量某个数据集分类器适用性的主要指标是数据集的线性可分性，而不是其规模。请记住单层Perceptron对于非线性可分离的数据集具有非常差的性能。 数据集的规模无关紧要。