1 感知机
感知机是
二分类
的线
性分类
模型，输入为实例的特征向量，输出为实例的类别（取+1和-1）。感知机对应于输入空间中将
实例划分为两
类的分离超平面。
感知机旨在求出
该超
平面，
为求得超平面导入了基于误分类的损失函数
，利用
梯
度下降法对损失函数进行最优化
。
2 感知机模型
假设输入
空
间（
特征向量
）是x属于n维空间，
输出空间
为Y属于{-1，+1},输入X表示实例的特征向量，对应于输入空间的点，输出Y表示实例的类别，则由输入空间到输出空间的表达形式为：
f(x)=sign(w*x+b)
上面该函数称为感知机，其中w，b称为模型的参数，w
称为权值，b称为
偏
置，w*x表示为w，x的内积
这里
如果我们将sign称之为激活函数的话，感知机与logistic regression的差别就是感知机激活函数是sign，logistic regression的激活函数是sigmoid。
sign(x)将大于0的分为1，小于0的分为-1；sigmoid将大于0.5的分为1，小于0.5的分为0。因此sign又被称为单位阶跃函数，logistic regression也被看作是一种概率估计。(logistic后面会详细讲解)
该感知机线性方程表示为：w*x+b=0,它的几何意义如下图所示：
我们其实就
是
在学习
参数w与b，确定了w与b
，图上的直线（高维空间下为超平面）也就确定了，那么以后来一个数据点，我用训练好的模型进行预测判断，
如果大于0就分类到+1，如果小于0就分类到-1。
原文链接：
http://mp.weixin.qq.com/s/3V1DOrlW0UeH_b89i0HHpQ
