我正在研究机器学习中的感知器算法。到目前为止，我理解了关于感知器的以下内容
1)It's a supervised learning technique
2)It tries to create a hyper plane that linearly separates the class
labels ,which is when the perceptron converges
3)if the predicted output and the obtained output from the algorithm
doesnot match it adjusts it's weight vector and bias.
然而，如果是，我无法理解权重向量会发生什么 感知器没有实现收敛？算法是否继续执行 更新权重向量？
答案 0 :(得分：0)
当且仅当类可线性分离时，先验者才能收敛。如果这是真的，算法将收敛到 解决方案，它无法以任何方式保证解决方案的质量。先验者的超平面不会使任何特定目标最小化，并且没有唯一的解决方案，任何将这两个类别分开的线对于感知器同样有效。
如果不是这样，感知器将永远不会收敛到最终解决方案。它可能会在一个合理的区域内反弹，但这并不能保证 - 它可能会飞到一个无用的地方。它将简单地继续更新其权重，直到你强制一些停止条件（最常见的是通过数据的最大数量）。