（三）機器學習——感知機模型（附完整程式碼）
感知機是這一種二類線性分類模型，其輸入例項的特徵向量，輸出為例項的類別，取+1和-1二值。感知機模型和LR模型（https://blog.csdn.net/u014571489/article/details/83387681 ） 一樣都是二分模型，但是目標函式(損失函式)不一樣。
感知機解釋及定義
在講怎麼構建目標函式之前，先說一下感知機怎麼將資料點分為兩類。在邏輯迴歸中是通過啟用函式來計算點屬於某一類的概率，哪個類的概率大就屬於哪一類。感知機也是通過預測值的大小來決定點屬於哪一類，不同點在於感知機是通過線性函式來預測，或者是感知機的啟用函式就是線性的。很多個線性的感知機就構成了神經網路，這也是為什麼感知機被稱為神經網路的基礎，有興趣可以去了解一下AI歷史
（
如上圖所示，感知機和邏輯迴歸一樣，都是為了得到圖中的直線方程來構建線性分類器，這個直線方程就叫做超平面，所有在直線上的點都滿足wx+b=0。也叫做超平面。
有了超平面，通過構建如下的符號函式，wx+b>0時，f（x）=1，否則f（x）=-1.
該符號函式也就是感知機。
感知機模型的目標函式
有了感知機，剩下要做的就是根據感知機構建目標函式。順便提一下，邏輯迴歸是根據啟用函式構建的目標函式，這也是感知機和邏輯迴歸不一樣的地方。
接下來就講講感知機模型的目標函式的構建思想。假設現有了超平面，現在點可以被分為兩類，一類是分類正確的點，一類是分類錯誤的點，感知機的目標函式就是根據分類錯誤的點集來計算目標函式，分類正確的點是不算在目標函式內的。感知機的目標函式如圖所示：
其中M就是分類錯誤的點集，當有錯誤點存在的時候，目標函式值一定是正整數，當全部分類正確時，目標函式值為0，這也是感知機模型的缺陷，在資料點可二分的前提下，滿足目標函式值為0的超平面是有無數個的。其中有個問題需要注意的是，這個模型一定是可收斂的嗎？因為M集合是不斷變化的。這個問題是可以證明的，看懂證明過程也不難，參照部落格（https://blog.csdn.net/weixin_41911765/article/details/81811231 ） ，具體的迭代方法分為感知機的原始形式和感知機的對偶形式。
感知機的原始形式
感知機的原始形式，對誤分類點只迭代一次。當資料量很大，只有極少數的點分類錯誤的時候，即使迭代很多次，感知機的原始形式也沒辦法完全分類正確。
感知機的對偶形式
最後附上一份感知機原始形式的python3原始碼：
https://download.csdn.net/download/u014571489/10771251
