2.4 Learning to Answer Yes/No-Non-Separable Data|机器学习基石（林轩田）-学习笔记

文章原创,最近更新：2018-07-16

学习链接:
2.4 Learning to Answer Yes/No-Non-Separable Data

学习参考链接:
1、台湾大学林轩田机器学习基石课程学习笔记2 -- Learning to Answer Yes/No
2、林轩田机器学习基石——Non-Separable Data

上一部分，我们证明了线性可分的情况下，PLA是可以停下来并正确分类的，但对于非线性可分的情况， Wf实际上并不存在，那么之前的推导并不成立，PLA不一定会停下来。所以，PLA虽然实现简单，但也有缺点：

对于非线性可分的情况，我们可以把它当成是数据集D中掺杂了一下noise，事实上，大多数情况下我们遇到的D，都或多或少地掺杂了noise。这时，机器学习流程是这样的：

在非线性情况下，我们可以把条件放松，即不苛求每个点都分类正确，而是容忍有错误点，取错误点的个数最少时的权重w：

这里的[ ]表示，boolean运算，是True or False的意思，表示总共犯错的次数。

事实证明，上面的解是N-P­hard问题，难以求解。然而，我们可以对在线性可分类型中表现很好的PLA做个修改，把它应用到非线性可分类型中，获得近似最好的g。

用PLA做个修改，可以理解为这样：
NP-hard问题，用pocke-t algrithm，可以理解为贪心算法，每次把最好的放在口袋里。用比较随机的方式找新的线，每次比较新的线与口袋里的（老的）线，哪个的效果更好(犯的错误比较少)，如果新的更好，才把口袋里的换成新的。

修改后的PLA称为Packet Algorithm。它的算法流程与PLA基本类似，首先初始化权重W0，计算出在这条初始化的直线中，分类错误点的个数。然后对错误点进行修正，更新w，得到一条新的直线，在计算其对应的分类错误的点的个数，并与之前错误点个数比较，取个数较小的直线作为我们当前选择的分类直线。之后，再经过n次迭代，不断比较当前分类错误点个数与之前最少的错误点个数比较，选择最小的值保存。直到迭代次数完成后，选取个数最少的直线对应的w，即为我们最终想要得到的权重值。

如何判断数据集D是不是线性可分？对于二维数据来说，通常还是通过肉眼观察来判断的。一般情况下，Pocket Algorithm要比PLA速度慢一些。为什么呢？
原因有两点：

• pocket算法每次要把当前最好的超平面存储下来

• pocket算法每次要计算新找到的超平面对所有的数据点的分类结果，与原来的进行比较。

这两点使得pocket算法会更慢。

题目测试练习:

假设数据D是线性可分,答案是1.

关于PLA的总结：
本节课主要介绍了线性感知机模型，以及解决这类感知机分类问题的简单算法：PLA。我们详细证明了对于线性可分问题，PLA可以停下来并实现完全正确分类。对于不是线性可分的问题，可以使用PLA的修正算法Pocket Algorithm来解决。