统计学习方法（第2章）感知机 学习笔记

第2章 感知机

感知机是二类分类的线性分类模型，其输入为实例的特征向量，感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型。导入基于误分类的损失函数，利用梯度下降法对损失函数进行极小化，求得感知机模型。感知机学习算法分为原始形式和对偶形式，是神经网络和支持向量机的基础。

1.感知机模型

　　感知机定义：

　　　　假设输入空间（特征空间）是X，输出空间是Y，Y的取值为+1和-1，输入x表示实例的特征向量，对应于输入空间（特征空间）的；输入y表示实例的类别。由输入空间到输出空间的如下函数：

　　　　　　　　f(x) = sign(w · x + b)

称为感知机，w、b为模型参数，w为权值或权值向量，b为偏置，w·x表示为二者内积。几何上来说，w·x+b=0对应于特征空间的一个超平面，w是超平面的法向量，b是超平面的截距。也就是找到一个超平面将数据的正负实例分开。

 

2.感知机学习策略

　　2.1 重要定义：数据集的线性可分性（因为感知机学习的前提就是数据集的可分性）

　　

　　2.2 损失函数

　　　　为了找出这样的超平面，及确定感知机的模型参数，需要确定一个学习策略，即定义损失函数并将损失函数最小化。、

　　　　损失函数选择误分类点到超平面S的总距离，所以首先写出输入空间中任一点x0到超平面的S的距离：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　||w||是w的L2范数

　　　　其次，对于误分类数据（xi，yi）来说， -yi(w·xi + b) > 0 成立，因此，误分类点xi到超平面S的距离就可以写成：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　这样，假设超平面S 的误分类点集合为M. 那么所有误分类点到超平面S 的总距离为：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　不考虑，就得到感知机的损失函数：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　    　

　　　　其中M为误分类点的集合，这个损失函数就是感知机学习的经验风险函数。误分类点越少，误分类点离超平面越近，损失函数值就越小。

3.感知机学习算法

　　3.1原始形式

　　获得了损失函数，下一步就是极小化这个损失函数，即：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　具体的方法采用梯度下降算法，极小化过程不是一次使M中所有的误分类点的梯度下降，而是一次随机选取一个误分类点使其梯度下降，假设误分类点集合M是固定的，那么损失函数L(w,b)的梯度由：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　随机选取一个误分类点（xi,yi）,对w,b进行更新：

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　η是学习率通过迭代可以期待损失函数L(w,b)不断减小，直到为0，综上可得如下算法：

　　　　　　　　　　　　　　　　　　　　　　

　　感知机学习算法由于采用不同的初值或选取不同的误分类点，解可以不同。

 

 　　3.2 对偶形式

 　　　　　　　　　　　　　　　　

　　

　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　

　　当训练数据集线性可分时，感知机学习算法是收敛的，感知机算法在训练数据集上的误分类次数k满足不等式：