感知机简单理解

 这篇博客主要是为大家介绍一下感知机模型(Perception)。感知机模型是机器学习当中的一个二分类器模型，并且是一种线性分类器。模型的输入为样本的特征，输出为样本类别，或者称之为样本标记。

我们可以看到每一条神经都有自带的权重（w)而不同的神经元也有自己 权重（b）,x作为我们的特征样本及感知机的输入。
感知机模型

 这里我是这样认为的：H(x)输出的 是w=w0 &&b=b0的情况下（下，y）这个点是前者或不是前者的概率。你细品~~是不是这样子啊！
而在w=w0 &&b=b0的情况下会有很多的点会被误判，所以我们需要找一个方法（损失函数）去衡量并改正[w,b]使得误判的点越少越好。
我们想到用误判的点到我们决策线（wx+b）的距离衡量我们[w,b]的好坏

教程上说这是点到我们决策线段的距离，但很含糊，我这里推一下；
 
如果样本点被误分类了，即如果样本的真实标记，则，即预测得到的样本标记为；反之，如果样本真实标记,则，即预测得到的样本标记为，因此可以总结如下规律，如果样本被误分类，则符合下式：

感知机简单理解最先出现在Python成神之路。