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(wx+b)sign(x)=+1,1,x0x<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=1majyjxjx+b)sign(x)=+1,1,x0x<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

感知机 - 对偶形式

ML-8感知机算法-传统和对偶形式

02-03 感知机对偶形式(鸢尾花分类)

感知机算法-传统和对偶形式

统计学习方法(第2章)感知机 学习笔记

感知机(Perceptron)