Perceptron

개요

단층 문제를 해결 가능한 모델.
엄밀하게는 뉴런의 하위 모델임.
다수의 입력으로부터 하나의 결과를 내보냄
가중치곱의 합이 임계점을 넘으면 1을 출력, 아니면 0을 출력.

$if{\sum }_i^n{W}_i{x}_i\ge \theta \to y=1$
$if{\sum }_i^n{W}_i{x}_i<\theta \to y=0$
$\theta$ 좌변으로 넘기고 $b$ 로 변경

$if{\sum }_i^n{W}_i{x}_i+b\ge 0\to y=1$
$if{\sum }_i^n{W}_i{x}_i+b<0\to y=0$
$b=(-\theta )$ 자료에서 생략되더라도 편향또한 최적의 값을 찾아야 할 변수

근본

머신러닝 수업을 듣고.

h(\mathbf{x})=sign(\sum^d_{i=1}(w_ix_i)+b) \end{aligned}$$ 이게 퍼셉트론. 끝. 근데 조금 더 행렬친화적으로 표현하면. $$\begin{aligned} \text{let}~~~ &b = w_0x_0 \\ \text{where}~~~ &w_0=b,~x_0=1 \\ h(\mathbf{x})&=sign(\sum^d_{i=0}w_ix_i) \\ &=sign(\mathbf{w}^T \mathbf{x}) \end{aligned}$$ # Logistic Regression vs Perceptron Logistic Regression : $Sigmoid(\sum^n_i(W_ix_i+b))$ Perceptron : $Step(\sum^n_i(W_ix_i+b))$ # 하위 문서 * [[Single-Layer Perceptron]] * [[Multi-Layer Perceptron]]