本文详细探讨了感知机模型从原始形式转换到对偶形式的过程。通过对误分类样本应用梯度下降法，推导出权重w和偏置b的更新规则。在初始值为0的情况下，通过迭代学习，最终的权重和偏置可以表示为所有误分类样本的累加结果。这为理解感知机的学习模型提供了深入的见解。
感知机对偶形式由感知机原始形式变化而来。
在原始形式中，感知机的模型为：
f ( x ) = s i g n ( w ⋅ x + b ) s i g n ( x ) = { + 1 , x ≥ 0 − 1 , x < 0 (1) f(x) = sign(w \cdot x + b) \\ sign(x) = \begin{cases} +1, && x \ge 0 \\ -1, && x \lt 0 \end{cases} \tag {1} f(x)=sign(w⋅x+b)sign(x)={
+1,−1,x≥0x<0(1)
根据梯度下降法的推导过程可知，当基于一个误分类样本 ( x i , y i ) (x_i, y_i) (x
最低0.47元/天 解锁文章
扫一扫
1110
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
