感知器一种用于监督学习各种二进制排序任务的机器学习算法。
感知器算法在商业智能中对某些输入数据的计算具有重要作用，它可以被看作是人工神经元或神经链接。作为一种最好和最具体的人工神经网络类型之一，感知器模型是一种二元分类器的监督学习算法。它可以被视为一个具有四个主要参数的单层神经网络，包括输入值、权重和偏差、净和和激活函数。
1、单层感知器模型
一种最简单的ANN（人工神经网络）类型是前馈网络，其中包含阈值传输。单层感知器模型的主要目标是分析具有二元结果的线性可分对象。然而，由于单层感知器只能学习线性可分的模式，对于非线性可分问题，我们需要更复杂的多层感知器模型。
2、多层感知器模型
主要类似于单层感知器模型，但隐藏层更多。
感知器算法学习输入信号的权重以绘制线性决策边界。
感知器学习规则指出，该算法能自动学习最佳权重系数，通过将输入特征与权重相乘来判断神经元是否触发。
感知器算法接收多个输入信号，若输入信号总和超过阈值，输出信号；否则不返回。在监督学习和分类中，能用于样本类别预测。
如前所述，感知器被认为是具有四个主要参数的单层神经链接。感知器模型首先将所有输入值及其权重相乘，然后将这些值相加以创建加权和。此外，将此加权和应用于激活函数“f”以获得所需的输出。此激活函数也称为阶跃函数，用“f”表示。
这个阶跃函数或激活函数对于确保输出映射在(0,1)或(-1,1)之间至关重要。请注意，输入的权重表示节点的强度。类似地，输入值赋予激活函数曲线向上或向下移动的能力。
优点：
多层感知器模型可以解决复杂的非线性问题。
它适用于小型和大型输入数据。
帮助我们在训练后获得快速预测。
帮助我们获得大小数据相同的准确率。
缺点：
在多层感知器模型中，计算耗时且复杂。
很难预测因变量对每个自变量的影响程度。
模型的功能取决于训练的质量。
以下是感知器模型的特征：
它是一种机器学习算法，使用二元分类器的监督学习。
在Perceptron中，权重系数是自动学习的。
最初，权重与输入特征相乘，然后决定是否激活神经元。
激活函数应用步进规则来检查函数是否比零更重要。
绘制了线性决策边界，可以区分两个线性可分的类+1和-1。
如果所有输入值之和大于阈值，则必须有输出信号；否则，将不显示任何输出。
以下是感知器模型的限制：
由于硬边传递函数，感知器的输出只能是二进制数（0或1）。
它只能用于对输入向量的线性可分集进行分类。如果输入向量是非线性的，则不容易对其进行正确分类。
以上是感知器算法在机器学习中的应用的详细内容。更多信息请关注PHP中文网其他相关文章！
