我正在学习一些ML，我在脑子里遇到了一些问题，特别是关于感知器。例如，我问：
我们可以看到偏差和权重w作为线性分离器的系数对吗？这仅在我们处于线性分隔符为线的2D中时有效吗？
我们的目标是创建一条线，以便将数据点准确地划分为我们的训练数据吗？意味着，在学习阶段结束时，算法“发现”了最好地分离两种点的线（如果我们在2D中）。发生这种情况是因为训练数据具有正确的标签y，并且算法可以找到真实标签与预测标签之间的距离。
因此转向测试阶段，测试点没有标签，所以在我的想法中，感知器只识别测试点是否高于或低于返回的行。这导致了分类？
有人也使用此notation for the threshold activate function。
是否与使用错误差异的另一个相同？如果我没有错，这用于-1 / + 1类。 顺便说一句，我们将观察I的Yi标签与感知器的输出值联系起来？
答案 0 :(得分：1)
1）w和b是线性分离器的系数，与尺寸无关。 w和b共同代表w^T x + b = 0的点集。 w与x具有相同的维度，b始终是标量。
这组点将空间分成两个区域。在2维的情况下，该组点对应于线。在3维的情况下，它将对应于平面。在更高的维度中，您无法真实地将其可视化，但它仍然可以正常工作。一般来说，它将它称为超平面。
2）部分正确。测试数据用于检查感知器的性能。除非您知道测试数据的真实类别，否则您无法知道它的执行情况。您通常做的是测量感知器正确分类的测试数据的百分比（称为准确度）。但是，测试数据不会影响感知器。它只是在那里进行测试。
3）这是一个不寻常的符号，你应该提供一些背景，否则我无法告诉你它应该代表什么。
答案 1 :(得分：0)
由于我无法添加评论，我正在使用这个答案澄清rollotommasi问题的深层答案。
如果您的训练数据是线性可分的，感知器只能找到最佳解决方案，这意味着最佳解决方案也是最佳解决方案。
那么，如果返回的行对训练数据“有效”，那么对于测试数据又如何有效？
正如你所说，为了对新数据进行分类，如果这个数据高于或低于该线，感知器会返回，也就是说，预期你的训练集以新数据（测试数据）获胜的方式表示整个集合与训练集不同。
想象一下2个特征向量的exclusive-or问题，假设您只考虑每个特征的符号，并且只要它们相同，输出类为1，否则输出类为0.您的数据可以分为4 quadrants单层感知器无法找到最佳解决方案。
现在考虑您的训练集仅包含来自第一和第二象限的数据。对于该训练集，单层感知器将找到最佳解，将象限除以y轴。但是，当用剩余数据测试模型时，它会猜错。
