線性分類-感知機模型
阿新 • • 發佈:2021-11-21
線性分類-感知機模型
思想
錯誤驅動
假設資料 $ {(x_i,y_i)}_{i = 1}^{N}、x_i \in R^p、y \in {-1, 1}$
對於感知機模型:
\[f(x) = sign(w^Tx) \quad x\in R^p, w \in R^p \\ sing(a) = \begin{cases} +1 \quad a ≥ 0 \\ -1 \quad a < 0 \end{cases} \]根據錯誤思想我們可以寫出損失函式:
\[L(w) = \sum_{i = 1}^{N}I(y_iw^Tx_i < 0) \quad \quad (1) \\ L(w) = \sum_{x_i \in D} - y_iw^Tx_i \quad \quad \quad (2)\\ D 表示為錯誤分類點的集合 \]首先對於 \((1)\)
而我們知道正確分類由下式:
\[w^Tx_i > 0 \quad \quad y_i = +1 \quad \quad (3)\\ w^Tx_i < 0 \quad \quad y_i = -1 \quad \quad (4)\\ 將 (3)(4) 式進行合併 \\ 也就是 y_iw^Tx_i > 0 \\ 那麼對於錯誤分類的點自然就是 \\ y_iw^Tx_i > 0 \]但是由於式 \((1)\)
所以 loss function 為:
\[L(w) = \sum_{x_i \in D} - y_iw^Tx_i \]那麼我們對於求 \(w\) ,可以用隨機梯度下降法:
\[\frac{\partial L(w)}{\partial w} = -y_ix_i \\ w^{(t + 1)} = w^{(t)} + \lambda y_ix_i \]