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：

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。这导致了分类

有人也用这个

是否与使用误差差的另一个相同？如果我没有错的话，这是用于-1/+1类的。 顺便说一下，我们把我的观察I的Yi标签和感知器的输出值联系起来

1） w和b是线性分隔符的系数，与尺寸无关。w和b共同代表一组点，其中。w的维数与x相同，而b总是一个标量

这组点将空间分为两个区域。在二维情况下，点集对应于一条线。在三维的情况下，它将对应于一个平面。在更高的维度中，你不能真正地想象它，但它仍然是一样的。人们通常把它称为超平面

2） 部分正确。测试数据用于检查感知器的性能。除非知道测试数据的真实类，否则无法知道它的性能。您通常要做的是测量感知器正确分类的测试数据百分比（称为准确度）。然而，测试数据并不影响感知器。它只是用来测试它的

---

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？