如果我们要坚持使用X和Y轴，则X轴为时间，Y轴为测试分数。更多时间等同于高考试成绩。您可以使用二进制分类算法来预测成功。如果陈述做同样的事情，那不会是
If (time > someValue)
User will probably pass
另一种情景 我有木瓜，他们有两个标签，挤压和颜色。
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.
我不了解这些情景中感知器的价值。
答案 0 :(得分：1)
您已经创建了两个特殊情景，其中一个简单的规则可行（因为您的线性边界与您的要素轴对齐）。但总的来说，您的决策树可能要复杂得多（甚至无限长），以完美地模拟线性决策边界。
考虑真正决策边界
的情况test_score = 3 * time
这一行上方的所有点都是＆＃34;可能会通过＆＃34;以下所有要点都是＆＃34;可能会失败＆＃34;。您需要的if语句数随着样本数量的增加而增加。另一方面，单个Perceptron节点可以轻松地对该情况进行建模。
主要观点是Perceptrons模拟线性决策边界，不必与特征轴对齐。因此，在许多实际情况中，您可以使用单个感知器（或类似的逻辑回归）来建模比简单特征阈值规则（基本上对应于决策树）更复杂（和/或更不准确）的决策边界）。
答案 1 :(得分：0)
价值很简单 - 感知器，或任何其他学习算法学习规则，另一种方法是设计手动，如你做到了。如果组合不涉及2个而是100个因素，您会如何找到这些最优值？如果规则不是＆＃34;清洁＆＃34;但是需要一些接受错误预测以最大化正确概率的概念怎么办？
一般来说，你是完全正确的 - 对于低维空间中的简单线性可分数据，使用ML是没有意义的。事实上， noone 使用旧的感知器来做任何事情。它只是一个概念证明，它提供了大量复杂而强大的统计学习方法。
答案 2 :(得分：0)
线性模型会做，是的。您还可以使用感知器执行这些分类任务。 在以下情况下使用 ANNs 和其他基于感知器的算法：
将它用于不那么复杂的任务是非常有效的，你是对的。
答案 3 :(得分：0)
除了其他人之外，如果目标本质上是非线性的，基于感知器的学习有助于确定复杂的功能。一个线性识别器将表现不佳。