认识达内从这里开始

算法对于任何一项编程开发语言来说都是非常重要的。而今天我们就一起来了解一下，在机器学习领域中的算法问题我们都是如何解析和掌握的。希望通过对本文的阅读，大家对于机器学习有更多的了解。

获得基本了解

这又回到了我初所说的。如果你不了解基础知识，不能从头开始处理算法。

至少，你应该能够回答以下问题:

它是什么?

它的典型用途是什么?

我什么时候不能用这个?

对于感知器，让我们继续回答这些问题:

单层感知器是基本的神经网络。它通常用于二进制分类问题(1或0，“是”或“否”)。

一些简单的用法可能是情感分析(正面或负面反应)或贷款违约预测(“将违约”，“将不违约”)。对于这两种情况，决策边界都必须是线性的。

如果决策边界是非线性的，你就不能用感知器。对于这些问题，您需要使用不同的方法。

使用不同的学习资源

在你对模型有了基本的了解之后，是时候开始你的研究了。

有些人用教科书学得更好，有些人用视频学得更好。

就我个人而言，我喜欢到处转转，使用各种各样的资源。

将算法分解成块

现在我们已经收集了资料，是时候开始学习了。

与其从头到尾读一章或一篇博客文章，不如先浏览一下章节标题和其他重要信息。

写下要点，并试着概述算法。

在浏览了这些资料之后，我将感知器分为以下5个部分:

初始化权重

将权重乘以输入，然后求和

将结果与阈值进行比较以计算输出(1或0)

更新权重

重复

让我们详细讨论每一个问题。

1。初始化权重

先，我们将初始化权向量。

权重的数量需要与特征的数量匹配。假设我们有三个特征，这是权重向量的样子

权重向量通常是用零初始化的，所以我将在这个例子中继续使用它。

2。将权重乘以输入，然后求和

接下来，我们将权重乘以输入，然后求和。

为了更容易理解，我在一行中对权重及其对应的特征进行了着色

在我们把权重乘以特征之后，我们把它们加起来。这也被称为点积。

后的结果是0。我将把这个临时结果称为“f”。

3.比较阈值

在计算出点积之后，我们需要将它与阈值进行比较。

我选择用0作为我的临界值，但是你可以试着用一些不同的数字。

由于我们计算出来的点积f不大于我们的阈值(0)我们的估计值等于0。

我将估计值表示为带帽的y(又名“y帽”)，下标为0以对应一行。你可以在一行用1，这无所谓。我选择从0开始。

如果我们将这个结果与实际值进行比较，我们可以看到我们当前的权重没有正确地预测实际输出。

由于我们的预测是错误的，我们需要更新权重，这将我们带到下一步。

4 更新权重

接下来，我们要更新权重。下面是我们要用到的方程:

基本思想是，我们在迭代“n”处调整当前权重，以便在下一个迭代中得到一个新的权重“n+1”。

为了调整权重，我们需要设置一个“学习率”。这是用希腊字母“eta”表示的。

我选择用0.1表示学习速率，但是你可以用不同的数字，就像用临界值一样。

以下是我们到目前为止的总结:

现在让我们继续计算迭代n=2的新权重。

我们已经成功地完成了感知器算法的一次迭代。

5 重复

由于我们的算法没有计算正确的输出，我们需要继续。

通常我们需要多次迭代。遍历数据集中的每一行，我们将每次更新权重。

对数据集的一次完整扫描称为“epoch”。

因为我们的数据集有3行，我们需要3次迭代才能完成1epoch。

我们可以设置总的迭代次数或epoch以继续执行算法。也许我们想指定30次迭代(或10次epochs)。

与阈值和学习率一样，epoch的数量是一个可以随意使用的参数。

在下一个迭代中，我们将继续讨论二行特征。

作者：John Sullivan

节选：数据人

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!