2-5 感知机 - 对偶形式 - 学习模型的推导
Posted windmissing
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了2-5 感知机 - 对偶形式 - 学习模型的推导相关的知识,希望对你有一定的参考价值。
感知机对偶形式由感知机原始形式变化而来。
在原始形式中,感知机的模型为:
f
(
x
)
=
s
i
g
n
(
w
⋅
x
+
b
)
s
i
g
n
(
x
)
=
+
1
,
x
≥
0
−
1
,
x
<
0
(1)
f(x) = sign(w \\cdot x + b) \\\\ sign(x) = \\begincases +1, && x \\ge 0 \\\\ -1, && x \\lt 0 \\endcases \\tag 1
f(x)=sign(w⋅x+b)sign(x)=+1,−1,x≥0x<0(1)
根据梯度下降法的推导过程可知,当基于一个误分类样本
(
x
i
,
y
i
)
(x_i, y_i)
(xi,yi)作调整时,会这样移动w和b
w
n
e
w
=
w
o
l
d
+
η
y
i
x
i
b
n
e
w
=
b
o
l
d
+
η
y
i
\\begincases w_new = w_old + \\eta y_ix_i \\\\ b_new = b_old + \\eta y_i \\endcases
wnew=wold+ηyixibnew=bold+ηyi
假设初始(w, b)为0,且对每个样本 ( x i , y i ) (x_i, y_i) (xi,yi)分别作了 a i a_i ai次调整,那么最终的(w, b)为:
w = ∑ a i η y i x i b = ∑ a i y i (2) \\begincases w = \\sum a_i \\eta y_ix_i \\\\ b = \\sum a_iy_i \\endcases \\tag 2 w=∑aiηyixib=∑aiyi(2)
把公式(2)代入公式(1)得:
f
(
x
)
=
s
i
g
n
(
∑
j
=
1
m
a
j
y
j
x
j
⋅
x
+
b
)
s
i
g
n
(
x
)
=
+
1
,
x
≥
0
−
1
,
x
<
0
f(x) = sign(\\sum_j=1^m a_jy_jx_j \\cdot x + b) \\\\ sign(x) = \\begincases +1, && x \\ge 0 \\\\ -1, && x \\lt 0 \\endcases
f(x)=sign(j=1∑majyjxj⋅x+b)sign(x)=+1,−1,x≥0x<0
以上是关于2-5 感知机 - 对偶形式 - 学习模型的推导的主要内容,如果未能解决你的问题,请参考以下文章