感知机（perceptron）是二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别（取+1和-1）。
感知机对应于输入空间中将实例划分为两类的分离超平面。
感知机旨在求出该超平面，为求得超平面导入了基于误分类的损失函数，利用梯度下降法 对损失函数进行最优化（最优化）。
感知机的学习算法具有简单而易于实现的优点，分为原始形式和对偶形式。
感知机预测是用学习得到的感知机模型对新的实例进行预测的，因此属于判别模型。感知机由Rosenblatt于1957年提出的，是神经网络和支持向量机的基础。
感知机模型
数学原理
用数学的语言来说，如果我们有m个样本，如果我们有m个样本，每个样本对应于n维特征和一个二元类别输出，如下：
目标是找到一个超平面，即
目标是让
某一类样本
另一类样本满足
从而得到线性可分。如果数据线性可分，这样的超平面一般都不是唯一的，也就是说感知机模型可以有多个解。
几何解释
感知机模型是线性分类模型，感知机模型的假设空间是定义在特征空间中的所有线性分类模型，即函数集合{f|f(x)=w·x+b}。
线性方程 对应于特征空间
中的一个超平面
，其中
是超平面的法向量，b是超平面的截踞。这个超平面把特征空间划分为两部分。位于两侧的点分别为正负两类。超平面S称为分离超平面，如下图：
image
