机器学习中的感知器

在机器学习和人工智能领域，对于所有人来说，感知机（Perceptron）是最常听到的术语。它是学习机器学习和深度学习技术的第一步，它包含一组权重、输入值或分数以及一个阈值。感知机是人工神经网络的基本组成单元。最初，在19世纪中期，弗兰克·罗森布拉特先生发明了感知机，用于执行特定的计算，以检测输入数据的能力或商业智能。感知机是一种用于各种二元分类器的监督学习的线性机器学习算法。该算法使神经元能够学习元素，并在准备过程中逐个处理它们。在本教程“机器学习中的感知机”中，我们将深入探讨感知机的知识及其基本功能。让我们从感知机的基本介绍开始。

机器学习中的感知机模型是什么？

感知机是用于各种二元分类任务的监督学习的机器学习算法。此外，感知机也被理解为人工神经元或神经网络单元，它有助于检测商业智能中的某些输入数据计算。

感知机模型也被视为最优秀、最简单的两种人工神经网络之一。但是，它是一种二元分类器的监督学习算法。因此，我们可以将其视为一个单层神经网络，包含四个主要参数，即输入值、权重和偏置、净和以及激活函数。

机器学习中的二元分类器是什么？

在机器学习中，二元分类器被定义为一种函数，用于确定输入数据是否可以表示为数字向量并属于某个特定类别。

二元分类器可以被视为线性分类器。简单来说，我们可以将其理解为一种分类算法，可以根据权重和特征向量预测线性预测函数。

感知机的基本组成部分

弗兰克·罗森布拉特先生发明了感知机模型作为一种二元分类器，它包含三个主要组成部分。它们如下：

• 输入节点或输入层

这是感知机的主要组成部分，它接受系统中的初始数据以供进一步处理。每个输入节点都包含一个实数值。

• 权重和偏置

权重参数表示单元之间连接的强度。这是感知机组件中另一个最重要的参数。权重与相关输入神经元在决定输出中的强度成正比。此外，偏置可以被视为线性方程中的截距线。

• 激活函数

这些是最终且重要的组成部分，有助于确定神经元是否会激活。激活函数主要可以被视为一个阶跃函数。

激活函数的类型

• 符号函数
• 阶跃函数，以及
• Sigmoid 函数

数据科学家使用激活函数根据各种问题陈述做出主观决策并形成所需的输出。感知机模型中的激活函数可能不同（例如，符号、阶跃和 Sigmoid），通过检查学习过程是缓慢的还是存在消失或爆炸的梯度。

感知机如何工作？

在机器学习中，感知机被视为一个单层神经网络，它包含四个主要参数：输入值（输入节点）、权重和偏置、净和以及激活函数。感知机模型开始时，将所有输入值与其权重相乘，然后将这些值相加以创建加权和。然后将此加权和应用于激活函数“f”以获得所需的输出。此激活函数也称为阶跃函数，并由“f”表示。

这个阶跃函数或激活函数在确保输出映射到所需值（0,1）或（-1,1）之间起着至关重要的作用。值得注意的是，输入的权重表示节点的强度。类似地，输入的偏置值能够向上或向下移动激活函数的曲线。

感知机模型的工作过程分为两个重要步骤，如下所示：

步骤 1

第一步，首先将所有输入值与相应的权重值相乘，然后将它们相加以确定加权和。数学上，我们可以如下计算加权和：

∑wi*xi = x1*w1 + x2*w2 +…wn*xn

将一个称为偏置“b”的特殊项添加到此加权和中，以提高模型的性能。

∑wi*xi + b

步骤 2

第二步，将上述加权和应用于激活函数，从而得到二进制形式或连续形式的输出，如下所示：

Y = f(∑wi*xi + b)

感知机模型类型

根据层数，感知机模型分为两种类型。它们如下：

1. 单层感知机模型
2. 多层感知机模型

单层感知机模型

这是最简单的人工神经网络（ANN）类型之一。单层感知机模型包含前馈网络，并在模型内部包含一个阈值传递函数。单层感知机模型的主要目标是分析具有二元结果的线性可分对象。

在单层感知机模型中，其算法不包含记录数据，因此它以不固定的输入分配给权重参数开始。此外，它对所有输入（权重）进行求和。在添加所有输入后，如果所有输入的总和大于预定值，模型将被激活并显示输出值+1。

如果结果与预定值或阈值相同，则此模型的性能被认为已满足，并且权重需求不会改变。然而，当多个权重输入值被馈送到模型中时，此模型会触发一些差异。因此，为了找到期望的输出并最小化错误，权重输入需要进行一些更改。

“单层感知机只能学习线性可分模式。”

多层感知机模型

与单层感知机模型一样，多层感知机模型也具有相同的模型结构，但具有更多的隐藏层。

多层感知机模型也称为反向传播算法，它分两个阶段执行，如下所示：

• 前向阶段：在前向阶段，激活函数从输入层开始，在输出层结束。
• 后向阶段：在后向阶段，根据模型的需求修改权重和偏置值。在此阶段，实际输出与期望输出之间的误差从输出层向后传播，并终止于输入层。

因此，多层感知机模型被认为是由多个具有不同层的 the-artificial-neural-network 组成的，其中激活函数不像单层感知机模型那样保持线性。代替线性，激活函数可以执行为 sigmoid、TanH、ReLU 等，用于部署。

多层感知机模型具有更强的处理能力，可以处理线性和非线性模式。此外，它还可以实现AND、OR、XOR、NAND、NOT、XNOR、NOR等逻辑门。

多层感知机的优点

• 多层感知机模型可用于解决复杂的非线性问题。
• 它适用于小型和大型输入数据。
• 训练后，它有助于我们获得快速预测。
• 它有助于获得与大型和小型数据相同的准确率。

多层感知机的缺点

• 在多层感知机中，计算过程困难且耗时。
• 在多层感知机中，难以预测因变量对每个自变量的影响程度。
• 模型的运行取决于训练的质量。

感知机函数

感知机函数“f(x)”可以通过将输入“x”与学习到的权重系数“w”相乘来获得输出。

数学上，我们可以表示如下：

f(x)=1；如果 w.x+b>0

否则，f(x)=0

• ‘w’表示实值权重向量
• ‘b’表示偏置
• ‘x’表示输入 x 值的向量。

感知机的特性

感知机模型具有以下特性。

1. 感知机是一种用于二元分类器监督学习的机器学习算法。
2. 在感知机中，权重系数是自动学习的。
3. 最初，权重与输入特征相乘，然后决定神经元是否激活。
4. 激活函数应用一个阶跃规则来检查权重函数是否大于零。
5. 绘制线性决策边界，从而区分两个线性可分的类+1和-1。
6. 如果所有输入值的总和大于阈值，则必须有一个输出信号；否则，将不显示输出。

感知机模型的局限性

感知机模型存在以下局限性：

• 由于硬限制传递函数，感知机的输出只能是二进制数（0 或 1）。
• 感知机只能用于对线性可分的输入向量集进行分类。如果输入向量是非线性的，则很难对其进行正确分类。

感知机的未来

感知机模型的未来光明且意义重大，因为它通过构建直观模式来帮助解释数据并在未来应用它们。机器学习是人工智能中快速发展的技术，它正在不断演变并在开发阶段；因此，感知机技术的未来将继续支持和促进机器中的分析行为，进而提高计算机的效率。

借助人工神经元，感知机模型正不断变得更加先进，并有效地处理复杂问题。

结论

在本文中，您已经了解了感知机模型是如何最简单的人工神经网络，它包含输入及其权重、所有加权输入的总和以及激活函数。感知机模型持续为人工智能和机器学习做出贡献，并且这些模型正变得越来越先进。感知机使计算机能够利用各种机器学习技术更有效地处理复杂问题。感知机是人工神经网络的基础，每个人都应该对感知机模型有深入的了解，以便学习深度神经网络。