我很难看到阈值在单层感知器中的实际作用。无论阈值是多少，数据通常都是分开的。似乎较低的阈值更平等地划分数据;这是它的用途吗？
答案 0 :(得分：14)
实际上，当你不使用偏见时，你只需设置阈值。否则，阈值为0.
请记住，单个神经元将您的输入空间与超平面分开。 OK？
现在假设一个神经元有2个输入X=[x1, x2]，2个重量W=[w1, w2]和阈值TH。该等式显示了这个神经元是如何工作的：
x1.w1 + x2.w2 = TH
这等于：
x1.w1 + x2.w2 - 1.TH = 0
即，这是你的超平面方程，它将划分输入空间。
请注意，如果手动设置阈值，此神经元就可以正常工作。解决办法是将TH改为另一个重量，所以：
x1.w1 + x2.w2 - 1.w0 = 0
术语1.w0是您的BIAS。现在，您仍然可以在输入空间中绘制一个平面，而无需手动设置阈值（即阈值始终为0）。但是，如果您将阈值设置为另一个值，权重将仅调整自身以调整方程，即权重（包含偏差）会吸收阈值效果。
答案 1 :(得分：2)
在每个节点中计算权重和输入的乘积之和，如果该值高于某个阈值（通常为0），则神经元触发并获取激活值（通常为1）;否则它取消停用的值（通常为-1）。具有这种激活功能的神经元也称为人工神经元或线性阈值单位。
答案 2 :(得分：2)
我想我现在明白了，在Daok的帮助下。我只是想为其他人添加信息以供查找。
单层感知器分离器的等式是
ΣW<子>Ĵ X <子>Ĵ +偏压=阈值
这意味着如果输入高于阈值，或
Σw j x j + bias＆gt;阈值，它被分类为一个类别，如果
Σw j x j + bias＆lt;阈值，它被分类到另一个。
偏见和阈值确实用于翻译线路（见Role of Bias in Neural Networks）。然而，在等式的两侧，它们是“负比例的”。
例如，如果偏差为0且阈值为0.5，则相当于-0.5的偏差和0的阈值。