Machine learning 关于感知器的几个问题
我正在学习一点ML,我脑子里有一些问题,特别是关于感知器的问题。例如,我问:Machine learning 关于感知器的几个问题,machine-learning,neural-network,classification,perceptron,Machine Learning,Neural Network,Classification,Perceptron,我正在学习一点ML,我脑子里有一些问题,特别是关于感知器的问题。例如,我问: 我们可以把b的偏差和w的权重看作线性分隔符的系数,对吗?这仅在二维中有效,其中线性分隔符是直线 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,对吗?也就是说,在学习阶段结束时,算法“发现”了最能分隔两类点的线(如果我们在2D中)。这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 所以移动到测试阶段,测试点没有标签,所以在我看来,感知器只能识别测试点是否在返回线的上方或下方
3) 这是一个不寻常的符号,你应该提供一些上下文,否则我不能告诉你它应该代表什么。因为我不能添加注释,我用这个答案来澄清关于deepideas答案的rollotommasi问题 如果训练数据是线性可分的,感知器只能找到最佳解,这意味着最佳解也是最佳解 那么,如果返回的行对于训练数据是“有效”的,那么对于测试数据如何也是有效的呢 正如您所说,为了对新数据进行分类,如果该数据高于或低于直线,感知器将返回,也就是说,您的训练集将以一种新数据(测试数据)不会与训练集偏离太多的方式表示整个集合 设想2个特征向量的问题,比如你只考虑每个特征的符号,当它们相同时,输出类为1,否则输出类为0。你的数据可以划分为单层感知机无法找到最佳解决方案 现在考虑你的训练集只有来自第一和第二象限的数据。对于该训练集,单层感知器将找到最优解,将象限除以y轴。但是,当使用剩余数据测试模型时,它会猜错所有的数据。2)但是我们正在训练分类器,以便从测试集中对数据点进行分类。我的意思是测试数据是我们模型行为的最终证明。那么,如果返回的行对于训练数据是“有效”的,那么对于测试数据如何也是有效的呢?我的意思是,当我们向感知机注入一个新的向量作为测试数据时会发生什么?