写在前面

本文是我的机器学习笔记，也是我根据我自己所学的知识总结的，对机器学习的零门槛入门读物。由于是我自己总结的，内容或多或少都有些错误。如果有不懂的问题或发现我文中的错误，欢迎大家及时批评指正！

【资料图】

本文会带大家从感知机一路讲到神经网络的训练，在过程中，我会对所需要的前置知识进行讲解。希望大家在看完之后，也能亲手训练出自己的第一个神经网络！

机器学习中的分类问题

机器学习最常见的任务是分类任务，即给出属于某个样本的一组特征，使机器给出这个样本所属的类别。例如，对动物进行分类，若这个动物是短脖子、长耳朵、没翅膀，那么大概率是兔子；长脖子、短耳朵、没翅膀，那大概率是长颈鹿；长脖子、短耳朵、有翅膀，那么大概率是鸭子……让机器学会根据特征对样本进行分类，就是机器学习中最简单也是最常见的任务。

在本章中，我们需要完成这么一个分类任务：每个学生的分班考试都会考两个科目：一个是语文，一个是数学。当考完两门科目时，根据它们的成绩，对每个学生进行分班。学校并没有给出具体的分班标准，但给出了以往50名学生的语文、数学成绩与它们的分班结果。

以往50名学生的语文、数学成绩如下所示：

我们将它定义为变量x，x的长度为50，其中每一个元素都是一个特征向量，里面记录了样本的特征（语文和数学成绩）；

他们的分班结果如下所示：

我们将它定义为变量y，y的长度也为50，其中每一个元素都是标签，在此处，标签即为学生的分班结果（学生被分进1和-1两个班）。

乍一看，根本不会清楚分班的标准究竟是什么。通过图片得知，它似乎是线性的。借助感知机，我们便能够找到这些特征之间隐含的规律，进而使机器学会如何分类。

感知机的构建

感知机最适用于线性可分的数据集。线性可分指的是样本的类别可以由线性函数得到。在本文的实例中，特征向量的长度为2，因此我们根据公式

构造我们的感知机。

我们初始化，，，计算所有的样本，得到的分类结果如下图所示：

可以看到，我们随手构造的分类器把所有的点都分类到黄色直线（）下方去了，相当于把所有的学生都分到了一个班级，这很显然不是我们最终想要得到的感知机。我们最终期望的感知机能够完美分割属于两个不同班级的样本（如图中的红点和蓝点所示）。因此，我们必须要让感知机根据那些分类错误的点修正自己的参数。

感知机的训练

如果希望训练感知机，就必须要让它知道它所输出的结果有多么离谱。这里我们设所预测的标签为，真实的标签为，那么我们要让输出的标签尽可能地靠近真实标签，就需要给它减去我们的偏差，即

因此，我们可以推知，我们训练这个感知机时所需要用到的梯度可以使用

求解得到。利用减去梯度来更新参数的方法在机器学习中就叫做梯度下降法。

求解得到了梯度之后，如何去更新我们的所有参数x呢？我们知道，函数在某一点导数的几何意义是函数在该点切线的斜率。同样地，在很小一段范围之内，可以近似地讲函数（曲线）看作一小段直线，它可以和，组成一个直角三角形。

也正是因此，我们可以使用如下公式来更新我们的参数：

该公式利用偏导值，将输出标签与真实标签的偏差转换为各个参数所需要更新的大小。对于所需要更新的参数、和，利用求导法则，可以得到如下公式：

在更新参数时，只需要让对应的参数减去所需要更新的值即可。需要注意的是，所求出的、和仅仅代表参数更新的趋势（这样更新参数可以使得结果向更准确的方向靠近），并不代表实际更新参数的时候，一定要减去这么多的值（有可能会直接减过头）。因此，加入一个超参数：学习率，指定一次参数更新所更新的大小。学习率一般为一个很小的值，如，加入学习率之后，参数的更新如下所示：

通过上述公式推导，我们便可以写出训练感知机的具体方法：

经过训练之后，感知机的输出结果如下所示：

编写训练代码如下：

我们便可以得到我们的训练结果：

可以看出，在训练了几轮之后，准确率就已经逼近0.9左右，但随后的轮次中，准确率逐渐回落；因为凭机器很难找到最佳的分类函数，但机器会不断学习，在学习时，就有可能偏移最佳的迭代路线。因此出现各种各样用于优化训练的优化器，如ADAM等；同时，通过引入学习率衰减机制，适当地在准确率较高的情况下衰减学习率，也能够维持住准确率。

线性不可分与核函数

前面说到，感知机最适合解决线性可分的问题。对于线性不可分的问题，感知机解决起来就会十分吃力。比如说，一个钢铁厂，生产了一批铁棍，要求铁棍的长度在一定长度（允许有一定范围的误差）才能过关。但是现在不知道长度是多少，只知道过往的一批记录中铁棍的长度及其合格与否。

铁棍的长度如下所示：

铁棍是否通过如下所示：

我们通过画图可以得知，只会通过铁棍长度为15周边的那一段。

因此，我们设置一个核函数

通过这个核函数，我们可以使代表铁棍的一维的长度特征变成二维的特征。

由图即可看出，将其通过核函数投影至更高维的特征空间后，就存在通过感知机将其正确分类的可能。