Machine learning 感知器-统计一致性

若训练集是线性可分的，那个么感知器最终会找到线性分类器来分离风险/损失为0的数据。但如果我们相信数据是可分离的，但它们不是。在这种情况下，如果我们让感知器在这样的数据上运行，并且示例数趋于无穷大，那么在这样的限制下，误差值会变为0吗？

我很确定误差有一个渐近值，它可能是线性决策边界的最小损失——也就是说，感知器发现（我在这里推测——你会想确认它）对于非线性可分的类，最佳线性决策边界是一些非零值。stats.stackexchange.com的后续信息。另外，你可能想准确地解释你所说的感知器是什么意思，因为它是一个专业术语，如果每个人都理解你所指的内容，那么回答这个问题的人不一定都理解它。@RobertDodier直觉上我也有同感。但一个关键的区别是，我认为风险值将为零（在极限范围内），因为如果示例的数量是无限的，那么我认为感知器将找到这样一个决策边界，其中错误分类的案例是可能的最小数量，并且大小与示例的数量无关。虽然我想知道是否总是这样。如果不是这样，那么问题就更复杂了，因为统计一致性的定义要求风险为零。但在某种程度上，最好的风险也是一致的。随着案例数量的增加，错误分类案例的数量也会增加，对吗？顺便问一下，关于这个主题的进一步讨论应该转到stats.stackexchange.com。是否可以以某种方式移动线程，或者我必须在此处删除它并在此处重新开始？另外，如果我可以再跟进一次，随着错误分类的累积，您可以随时更改预测规则。错误数的增长速度将比示例数的增长速度慢得多。如果我们从10个错误到20个错误，我们将更改规则，并可以得到例如11个错误。我认为可能有一种方法，但这只是我的直觉，对于“无限”的例子，我们可以选择这样的预测规则，即错误的数量可以“忽略不计”，因此可以限制为0，但这取决于它是否适用于所有情况。我的建议是把这个问题留在这里，转到其他论坛（无论你选择哪一个）根据你目前对问题的理解，开始一个新问题。顺便说一句，如果错误的比例随着示例数的增加而变为零，而没有限制，这意味着如果我们有足够的数据，我们可以构建近乎完美的分类规则。为什么不这样呢？想一想。