machine-learning - 关于感知器的一些问题

Question

我正在学习一些 ML 知识，但我脑子里一直有一些问号，尤其是关于感知器的。例如我要问:

1. 我们可以将 b 偏差和 w 权重视为线性分离器的系数，对吧？仅当我们处于线性分隔符是一条线的二维时，这才有效？

2. 我们的目标是创建一条线，以便将数据点精确地划分为我们的训练数据，对吧？意味着，在学习阶段结束时，算法“发现”了最好分隔两种点的线(如果我们处于二维状态)。发生这种情况是因为训练数据中有正确的标签 y，并且算法可以找到真实标签和预测标签之间的距离。

   因此，进入测试阶段，测试点没有标签，因此在我的想法中，感知器仅识别测试点是否位于返回线的上方或下方。这就导致了分类？

3. 有人也用这个notation for the threshold activate function 。

   与使用误差差的另一个相同吗？如果我没记错的话，这用于 -1/+1 类。顺便说一句，我们将我的观察 I 的 Yi 标签与感知器的输出值联系起来？

Answer 1

1) w 和 b 是线性分离器的系数，与尺寸无关。 w 和 b 共同表示 w^T x + b = 0 的点集。 w 与 x 具有相同的维度，并且 b 始终是标量。

这组点将空间分为两个区域。在二维的情况下，点集对应于一条线。在 3 维的情况下，它对应于一个平面。在更高的维度中，你无法真正想象它，但它仍然可以正常工作。人们通常将其称为超平面。

2) 部分正确。测试数据用于检查感知器的性能。除非您知道测试数据的真实类别，否则您无法知道它的性能如何。您通常要做的是测量感知器正确分类的测试数据的百分比(称为其准确度)。然而，测试数据不会影响感知器。它只是为了测试它。

3)这是一个不寻常的符号，您应该提供一些上下文，否则我无法告诉您它应该代表什么。