algorithm - 感知器的遍数

Question

我正在尝试实现感知器算法，但我无法弄清楚以下几点。

• 迭代次数的理想值应该是多少
• 此算法是否适用于大量数据？
• 阈值是否随迭代而变化？
• 如果是，它对最终输出有何影响？

Answer 1

Perceptron 不是一种特定的算法，它是一组算法的名称。这些算法之间有 2 个主要区别。

<强>1。集成和触发规则

设输入向量为x，权重向量为w，阈值为t，输出值为P (x)。有多种函数可以计算 P(x):

1. 二进制:P(x) = 1(如果 w * x>=t)或 0 (否则)
2. 半线性:P(x) = w * x(如果 w * x>=t) 或 0(否则)
3. 硬限制:P(x) = t(如果w * x>= t) 或 w * x(如果 0<w * x<t ) 或 0(否则)
4. S 型:P(x) = 1/1+e^(w * x)

还有很多其他的。 因此很难说阈值对最终输出有何影响，因为这取决于您使用的集成和触发功能。

<强>2。学习规律

感知器的学习规则也是多种多样的。最简单最常见的是

w -> w+ a * x* (D(x)- P(x))

其中 a 是学习步骤的大小，D(x) 是 x 的预期输出。 因此也很难说迭代的理想值应该是多少，因为它取决于 a 的值以及您有多少训练样本。

因此，阈值是否会随着迭代而变化？ 这也取决于。上面的简单和通用的学习规则不会在训练时修改阈值，但还有一些其他学习规则会修改它。

顺便说一句，你也问过这个算法适用于大数据量吗？ 衡量分类器对特定数据集适用性的主要指标是数据集的线性可分性，而不是数据集的规模。请记住，单层感知器对于不可线性分离的数据集表现非常差。 数据集的规模并不重要。