1 月 072024
感知机（Perceptron）是一种最简单的人工神经网络模型，用于二分类问题。它由美国心理学家 Frank Rosenblatt 在 1957 年提出，是受到对生物神经元的研究启发而产生的。
感知机的原理如下：
- 输入层：感知机的输入层接收外部输入信号，每个输入对应着一个特征。这些输入特征经过加权处理后进入下一层。
- 权重：每个输入特征都有一个权重与之对应，这个权重决定了该特征对最终输出的影响程度。权重可以理解为特征的重要性，权重越大表示该特征对输出的影响越大。
- 加权求和：输入层的每个输入特征都与其对应的权重相乘，然后将所有特征的加权求和得到一个值。
- 激活函数：加权求和得到的值将被输入到一个激活函数中。常用的激活函数是阶跃函数（Step Function），其输出为 0 或 1，表示二分类问题中的两个类别。
- 阈值：在阶跃函数中，有一个阈值（Threshold）决定了输出结果的边界。如果加权求和结果大于阈值，则输出为正类别（1），否则输出为负类别（0）。
- 训练：感知机的训练过程就是调整权重和阈值的过程。通过训练数据集，根据感知机的输出与实际标签之间的误差，利用梯度下降等优化算法来更新权重和阈值，使得感知机的输出与实际标签尽可能接近。
- 迭代：以上步骤是迭代进行的，直到达到一定的训练轮数或者误差达到满意的程度为止。
感知机模型的局限性在于它只能处理线性可分的问题，即数据可以通过一条直线或超平面进行划分。因此，对于复杂的非线性问题，单层感知机无法解决。然而，通过堆叠多个感知机，可以构建出更复杂的神经网络模型，如多层感知机（Multilayer Perceptron，MLP），用于解决更复杂的分类和回归问题。