注：因为简书的公式输入不便以及排版等等种种问题，这里仅仅转载了文字部分。建议你移步至我的博客阅览：KAAAsS‘s Blog - 简明机器学习教程
本篇教程的目标很明显，就是实践。进一步的来说，就是，当你学到了一些关于机器学习的知识后，怎样通过实践以加深对内容的理解。这里，我们从李航博士的《统计学习方法》的第2章感知机来做例子，由此引出大致的学习方法。需要注意的是，这篇教程并不是来介绍感知机模型的，而是用来说明如何学习并实践一个模型的，所以对感知机的解释不会很详细。本篇教程的内容较基础，内容主要面向对机器学习有兴趣且有初步了解的人。由于本文目标人群特殊，加之作者水平实在有限，有表述不严谨或错误之处，还请各路大神多多指出。本篇需要读者的准备：matlab（测试模型用）、热爱机器学习的大脑（啊喂我的严肃气氛！）。
首先：了解模型
模型类型
当我们在学习一个模型时，很重要的一点就是我们要了解这个模型的作用，以及其适用的情况。下面我们就来分析感知机：
感知机（perceptron）是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。开篇第一句，我们就能对这个模型建立起一个大概的框架了。首先，感知机是一个二类分类模型，也就是说感知机只能分类出两个类别。其次，感知机是线性的分类模型，也就是说感知机这个模型所适用的数据必须是线性可分的。到此为止，对于感知机的适用范围，我们已经知道了不少：首先，感知机是判别模型，适用于分类问题，且可以区分的类别数为2类；其次，感知机是线性分类模型。如果你还是不理解感知机适用的问题类型，那我在这里举个例子：在二维的情况下，感知机相当于在平面上划一根线，从而把平面分成两半；在三维的情况下，感知机相当于拿一把菜刀在空间里切一刀，从而把空间分为两类。这两句话在其适用范围内，等价于下面这句话：感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面（三维下是“菜刀”），属于判别模型。
模型
下式即感知机模型中，将输入空间映射到输出空间的函数：
w就是模型的权值（weight），又称权重；b即偏置（bias）。其中的sign函数定义如下（有些地方作：sgn）：
需要注意的是，一般情况下，sign(0)的值是0。这里为了保证模型输出为+1或-1，故规定sign(0)=+1。根据模型，我们不难看出感知机的几何意义。线性方程
就是分开空间的超平面。其中，w是平面的一个法向量（几何上），b就是其截距。
训练
损失函数
简而言之，最小化损失函数。首先，定义（经验）损失函数（详细过程请见原书2.2.2 P27）：
损失函数，可以理解为是对感知机模型错误分类程度的评估函数。有了损失函数，我们就可以将训练感知机问题转化为极小化损失函数问题。
普通形式——梯度下降
这里，我们采用梯度下降法（gradient descent）的变式随机梯度下降法（Stochastic Gradient Descent）进行极小化。关于两种算法的关系、优劣均不在本文讨论范围内，故省略。偏导求解梯度：
算法步骤如下：
选择初始超平面S，即选择
。
随机选择一个误分类点
，更新w、b。其中，α 是每次迭代的步长，又称为学习率。
重复2，直到无分类点为止。
不难发现，若数据集是线性可分的，那么损失函数最终将会等于0。
实践
代码是彻底没办法放上去了QAQ，请移步至博客：KAAAsS‘s Blog - 简明机器学习教程
训练效果：
感知机第3次迭代
感知机第5次迭代
感知机第9次迭代
感知机最后结果
