理解感知器perceptron，以及感知器如何应用

感知器是一个1958年被提出的机器学习算法，到今天仍在使用。

它是一个有监督学习的线性回归解决二分类问题。

主要解决的问题就是在给定训练集（data，label）的条件下，如何给每个数据找到一个特有的权重，使得最终的结果可以拟合训练数据各自的标签分类。

这个时候可以定义一个线性的模型（比如：文本情感分类中， 模型=sum（词频*权重）），将得到的结果与一个阈值（比如是0）进行比较，大于0就是正向的，小于0就是负向的。当分类出来的结果与实际的数据标签不符合的时候，我们就可以对这个权重进行增加或者减少的变化，来更好的拟合训练数据。

伪代码如下：

这里有几个小技巧可以提高整个训练的效果。

1，对模型进行多次训练

2，在每次训练之前，将训练数据随机

3，每次训练结束时，对得到的权重取平均值

伪代码如下：

在应用上，

感知器的应用很广，几乎所有二分类问题都可以用它来试一试效果。

在POS（词性标注问题）中，可以用感知器，将训练集中2gram的标注概率调整到最大（HMM无法做到的overlapping）

注：本文所有图片来源：https://sheffieldnlp.github.io/com4513-6513/lectures_reveal_js/lecture6_struct_perceptron.html