每月学习数理统计--《统计学习方法—李航》(2)： 感知器

 

1. 感知器的介绍

2.感知器的算法

3.感知器的更新规则

4.感知器的收敛性

5.感知器的局限性

6.参考文献

 

1. 感知器的介绍

感知器学习算法(PLA:Perception Learning Algorithm)是1957年提出的算法，比svm要早,实际上他是一种二分类问题的超平面（超平面是比实际维数低一维的集合，可以理解为这个集合的正交补空间的维数为1），一旦我们找到了这个超平面，我们就可以用来执行二分类问题。给出增强向量 和，感知器就可以使用假设函数去分类数据点：

　                                                 　

其中， 

                                                       

2. 感知器的算法

 从上式中我们可以发现，我们需要的就是找到一个，找到了一个，就是找到了一个超平面，那么我们可以理解为，是唯一的参数。因此，我们只需要找到这样的超平面就可以了。算法描述如下所示^[2]：

1.随机定义一个超平面，用来分类数据

2.找出其中错误的一个例子，通过改变来重新更新超平面

3.用新的超平面来分类数据

4.重复步骤2 3 直到没有错误的例子出现

 

import numpy as np    
def perceptron_learning_algorithm(X, y):
    w = np.random.rand(3)    #随机生成一个超平面
    misclassified_examples = predict(hypothesis, X, y, w)#找出其中判别错误的例子
    while misclassified_examples.any():#直到错误的例子为0，停止
         x, expected_y = pick_one_from(misclassified_examples, X, y)#从错误的例子中随机选取一个例子
         w = w + x * expected_y #更新超平面
         misclassified_examples = predict(hypothesis, X, y, w)#重新找出错误的例子
         return  w

3. 感知器的更新规则

    在更新超平面中，，我们随机选择一个错误分类，让感知器去感知他，我们可以使用与的点积去判断其分类是否错误。因为在 中，若果预测结果为1，那么二者夹角小于90度，我们就要增大它，如果预测结果为-1，那么二者夹角大于90度，我们就要缩小它。通过这样的操作，我们最终可以让所有的x与w垂直。如下图所示： 

                                                                       

 

 如果两个向量的夹角小于90度，那么我们就要加大它，两个向量大于90度，那么我们就要减小它。即使用， 来增加角度与减小角度。如下两图所示：

 

                                                 

                                                        相加运算产生了一个小的夹角

 

                                                     

　　　　　　　　　　　　        相减运算产生了一个大的夹角

 

 我们便可以通过这个算法，不断调整w，使得我们找到我们的w

def update_rule(expected_y, w, x):
    if expected_y == 1:
        w = w + x 
    else:
        w = w - x
    return w   

      还要注意到有时我们碰到特殊的x，当⽤修改规则调整w时会使以前正确的分类变成错误的。所以，假设函数会在调整之后变得更糟！⼀个解决办法仅在发现修改w之后让错误分类的例⼦减少时才使⽤。这样修改之后的PLA就是⼴为⼈知的⼝袋算法 。

　　同时，改变超平面参数的也可以使用梯度下降法等方法，在这里就不再赘述，以后会详细讲到。

4. 感知器的收敛性

　　这里有一个很严重的问题，我们一直在强调我们修改规则能够让错误点消失，但是我们能确定这个目的而不会出现某个数据集出现发散的情况吗？数学家已经注意到这个问题了，感知器收敛理论，由Novikoff 在1963年提出，由兴趣的小伙伴们可以去搜索看一下。

5. 感知器的局限性

　　我们知道，PLA使用的是随机权重与随机错误用例，这样带来的后果就是低效率，同时即使我们最后找到了一个平面，这个平面的确可以让两类分离，但是我们想要的是方差最小，即点到平面的距离能够最小，才能称作一个非常好的分类器。一个好的分类器应该具有很好的泛化性能，因此如何让我们的分类器能够具有很好的泛化性能，这边是SVM需要做的事情。

6. 参考文献

 [1] Toby Segaram <<集体智慧编程>>

 [2] Alexander Kowalczyk <>

 [3] 张重生 << 大数据分析>>