感知器

今天要介紹的機器學習演算法為 感知器(Perceptron) ，感知器的形式為一個簡單的神經網路模型(見圖1)，將輸入值(特徵)與對應的權重進行加權後，再將加權後的結果加總，並以一個 激勵函數(Activation Function) 對加總後的值進行判斷與轉換後，就可以得到我們最後的結果。比如說我們的資料屬於正類別還是負類別，一個最簡單的激勵函數可以是只要結果大於等於0，就判定為正類別，反之則為負類別，因此我們可以知道感知器是個可以被使用來解決 二元(Binary)的分類問題 的簡單模型。

感知器的靈感來自於神經元傳遞訊息的方式(見圖2)，簡單來說神經元在接收訊息上，可以視為收到刺激後，如果該刺激的強度超過一定的閾值，則該刺激就會被傳送至下一個相連接的神經元，持續傳遞地下去。

一個簡單的感知器能夠解決 可被線性劃分為兩類別的分類問題(見圖3) (在二維的平面上，可以理解為可被一條直線所一分為二)，但是在處理較為複雜一些的簡單問題(例如XOR)上還是有其限制在。

感知器可視為是建構當今機器學習領域中最前端的深度學習，或者說類神經網路模型的最原始概念，因此，能好好地理解感知器是如何運作的對於我們往後要學習更加複雜的機器學習模型時可說是很有幫助的。

圖1
Source: Coursera - Launching into Machine Learning

圖2
Source: Coursera - Launching into Machine Learning

圖3
Source: https://en.m.wikipedia.org/wiki/File%3APerceptron_cant_choose.svg