Lec 2: Learning to Answer Yes/No
上一节中介绍了机器学习的概念和符号表示，这节主要介绍一个简单的模型PLA，这将是学习其他模型的基础与出发点。本章符号含义参照上一章。
1、Perceptron Hypothesis Set
在进行“yes／no”分类时，对输入 x＝(x1,x2,...,xd) ，计算weighted score，当score>阈值，我们就得出yes（＋1）结果，score<阈值时，我们得出no（－1）结果。这就是简单的Perceptron。所以它的output y ＝ ｛＋1，－1｝，h可以写作：
感知机的向量形式：
那这个h（x）长什么样子？以最直观的二维平面为例，它就是一条直线，将平面分为yes／no两个部分。
Perceptron是线性分类器 linear（binary）classifiers，更高维度时与二维类似，例如三维时是平面分割空间等等。
2、PLA（perceptron learning algorithm）
（可以在直观的二维空间进行想象）
H是平面上所有的线，我们需要选择出 g .那什么样子的线是理想的线？当然是能正确划分所有data的线。但是我们无法得到f，不过我们可以在已有的data上找出像是f的g，即g正确划分全部已有的data。由于H是无限大的，找出这样的g似乎也不太容易，那应该怎么做呢？PLA！先找出一条线g0，然后再去correct它在data上的mistakes，让线变的越来越好。如何实现这个idea？
给出一些解释：
先找一个w0初始化，然后逐步纠错。
“Cyclic”表示：如果有N个点，就从1到N顺序循环看是否有出错的点。当然也可以用其他方式进行循环。
（1）找出一个错误的点，即目前得到的“线”给出的结果与yn不等（符号不同）。
（2）更新w向量。为什么要用这种更新方式？下面介绍
一直到没有错误。
关于更新w向量：
mistakes有两种情况：
1）y为＋1，g(x)为－1
几何含义为w（红色）和x的夹角太大了，如何变小？w和x相加，紫色为纠正后的w。
如下面这个栗子中，此时在x9上产生了错误，x9和w（红色）夹角是钝角，更新w（紫色）后，新的线是下一张图2。（注意：几何代数知识可知w是线的法向量，即w与线垂直。）
2）y为－1，g(x)为＋1
几何含义为w和x的夹角小了，如何变大？w和x相减。
接上图1，此时是锐角情况。
经过不断的更新纠错调整，最终可以得到满意的g。
现在考虑一个问题：PLA一定可以停下来吗？即一定可以完美划分现有data吗？如果可以停下来（halt），在未来data上g会等于f吗？如果不能halt，情况会怎么样？
3、PLA的理论保障
这节将会证明在一些情况下，PLA可以停下来。至于在未来data上的表现，之后的课会涉及。
没有错的时候PLA终止，所以首先，我们手上的data要可以被一条“线”分开，这样的D叫做linear separable 。相反情况叫做not linear separable，如图：
那有了线性可分的D之后PLA是不是就能找到这样的线了呢？
我们可以看下Wf（理想的w）和Wt＋1（更新后的w）是否在逐渐接近？作内积，内积越大越接近。
最后一步中，为什么min项>0？很简单，Wf对应的线是理想中的线，一定可以正确划分xn，所以y和score相乘一定>=0。不等于0表示所有data离线都有一定的距离。
这样我们就得到Wf和Wt+1的内积越来越大。但是你是否有一个疑惑？两个向量内积越来越大也有可能是向量长度在作祟。确实，那如何证明Wf和Wt+1是在接近呢？这就会用到PLA一个关键点：mistake的时候更新w。可以证明mistake会限制||Wt||平方的增长，最多增长最长的Xn的平方大小。
其实可以证明经过T次纠错后，Wf和WT的单位向量内积会大于根号T乘一个常量，这就表示wf和wt是在靠近（角度越来越小）。并且T有上限，即有限次更新后可以得到g。具体证明略。
到这可以感受到，虽然PLA很简单，其实也蕴含了数学理论保障。有没有觉得很奇妙？后面的model会更奇妙。
4、Pocket
通过上一节知道，D线性可分的时候，PLA可以halt，但是其实我们并不能提前知道D是否可分。如果D不是线性可分的，该怎么办？
在机器学习中，事实上我们取得的Data一般都有noise（Noisy Data）。这时，就算理想的f是一条完美的线，我们取得的data也不见得就是线性可分的。在不确定D是否线性可分的情况下，我们如何得到一条较好的线？很自然的想法就是，可以试着找到一条犯错最少的线:
可惜，这个问题是个NP－hard问题。不过，可以试着去接近这个“good” g，即Pocket算法：
第三步和PLA不一样，当新的w比手中的wt犯错少的时候才更新，可以看做是modify PLA，循环足够多轮后停止。其思想很简单，一直keep得到的最好的w。
