感知器模型 (Perceptron)
1. 激勵函數 (activation function) 為 step function:
\begin{equation} \phi (z) = \left\{ \begin{array}{lr} \ 1 \quad if \ z \ge 0 \\ -1 \quad otherwise \end{array} \right. \end{equation}
\begin{equation} \phi (z) = \left\{ \begin{array}{lr} \ 1 \quad if \ z \ge 0 \\ -1 \quad otherwise \end{array} \right. \end{equation}
其中 z 為 net input:(一般令 $x_{0}=1$, b (bias)=$w_{0}x_{0}$=$w_{0}$) \begin{equation} z = w_{0}x_{0} + w_{1}x_{1} + ... + w_{m}x_{m} = \sum_{i=0}^{m}w_{i}x_{i} = W^{T}X\end{equation}
2. update weight (w 迭代):
\begin{equation} w_{j} := w_{j} + \Delta w_{j}\end{equation}
其中
\begin{equation}\Delta w_{j} = \eta (y^{(i)} - \hat{y}^{(i)})*x_{j}^{(i)}\end{equation}
y 為真實值; $\hat{y}$ 為預測值
沒有留言:
張貼留言