感知机（器） 作者：马育民 • 2019-08-09 10:09 • 阅读：10411 # 概述 分类是机器学习的一个核心问题，分为： - 二分类 - 多分类 感知机是解决 **分类问题** 的 许多机器学习方法都是可以用来解分类问题，比如：感知机、朴素贝叶斯、支持向量机、决策树、逻辑回归、AdaBoost、神经网络等等 # 神经元 神经元（neuron），如下图： [](https://www.malaoshi.top/upload/0/0/1EF3qjEuB8Ls.jpg) **树突** 为神经元的 **输入 通道**，其功能是将其他神经元的动作电位传递至细胞体 **神经细胞** 可以视为有 **两种状态 的 机器**，**激活时为 “是”**，**不激活时为 “否”**。 神经细胞的状态取决于从其他神经细胞接收到的信号量，以及 **突触** 的性质（抑制 或 加强）。当信号量超过某个 **阈值** 时，细胞体就会被 **激活**，产生电脉冲。电脉冲沿着轴突并通过突触 **传递 到 其它 神经元** ### 总结： **神经元** 有 **输入** 和 **输出**，有两种状态：激活，不激活。当输入信号达到一个阈值时，就会激活，然后传递给下一个神经元 # 感知机（器） 受到 **神经元** 的启发，提出 **感知机** ，也就是说 感知机 就相当于 神经元 有n个 **输入数据**，通过 **权重** 与 **各数据** 之间的 **求和**，比较 **激活函数** 结果，得到输出结果 ### 单个感知机 [](https://www.malaoshi.top/upload/0/0/1EF3qliV9AB3.png) 可以很方便的实现 **与、或、非** 运算 **感知机 （perceptron）**， 是一种 **线性二分类** 模型（即输出为两个状态，解决二分类的问题），数据必须是 **线性可分**，如下图： [](https://www.malaoshi.top/upload/0/0/1EF3qt5VLnJE.png) 线性可分与线性不可分参见： https://www.malaoshi.top/show_1EF3qt9uiJkI.html # 单个感知机 缺点 无法解决 **非线性** 问题，当 **线性不可分** 时无法解决 ### 1. 缺点一 单个感知机，也就是一条直线实现分类，无法解决 **异或** 问题 异或参见： https://www.malaoshi.top/show_1EF3qmDVHxbO.html 如下面两个图，是需要 **多条直线** 才能解决 [](https://www.malaoshi.top/upload/0/0/1EF3qrT0xkCX.png) 为了将红色点(0,0)，(1,1)和绿色点(0,1)，(1,0)进行分类，不论按上面左图还是右图，都需要两条线才能实现，而一个感知机只能实现一条线，所以无法解决 **异或** 问题 [](https://www.malaoshi.top/upload/0/0/1EF430SATpfB.png) ### 2. 缺点二 当直线无法解决时，需要让 **直线弯曲** [](https://www.malaoshi.top/upload/0/0/1EF430TQUS3E.png) [](https://www.malaoshi.top/upload/pic/deeplearning/QQ20200902-162245.png) # 解决 单个感知机 缺点 ### 1. 多个感知机 解决 多分类 为了解决多分类问题，使用多个感知机，如下图： [](https://www.malaoshi.top/upload/0/0/1EF3qrdOiYXa.png) [](https://www.malaoshi.top/upload/0/0/1EF430Aq4Y40.png) ### 2. 多层感知机 解决 线性不可分 大量的分类问题是 **线性不可分**，单层感知机无法解决这类问题 [](https://www.malaoshi.top/upload/0/0/1EF430OCfMO7.png) # 多层感知机（器） ### 生物神经网络 受到生物神经网络的启发，一个神经元接收信号量超过某个 **阈值** 时，细胞体就会被 **激活**，产生电脉冲。电脉冲 传递 到 其它 神经元 [](https://www.malaoshi.top/upload/0/0/1EF3qtPK3CGr.jpg) ### 多层感知机（器） 为了让感知机解决 **线性不可分** 问题，在 **输入层** 和 **输出层** 之间 插入更多的 感知机，称之为：**隐层** ，如下图  **注意：** - 输入层 **不是** 感知机 - 中间的 **隐层** 可以有多层感知机，统称为 **隐层** 感谢： https://blog.csdn.net/tkingreturn/article/details/39640063 https://blog.csdn.net/w576233728/article/details/80318933 https://wenku.baidu.com/view/30e9d6ed80c758f5f61fb7360b4c2e3f57272515.html https://blog.csdn.net/program_developer/article/details/78704224 原文出处：/show_1EF3qmIushOR.html