透過視覺化界面與動態更新展示「單層感知機( Perceptron )」的更新方法與使用
-
左方可以設定「學習率」;「收斂條件」:固定訓練次數 或 測試資料正確率
-
右方可以選擇「訓練資料集」;「視覺化更新速度」:感知機更新時動態顯示的速度
-
訓練時會將所選資料集分成2/3的訓練資料、1/3測試資料
-
下方可將所選資料集圖形化,支援2維、3維資料
-
訓練相關參數會顯示在最下方
-
訓練後必須重新選擇資料集來重制上次的訓練結果
一種用於「分類」的「監督式學習」演算法
-
又稱為Perceptron Learning Algorithm簡稱「PLA」
-
Perceptron為所有AI算法最基礎的一種
-
資料是線性可分的形況下才能正確分類(演算法才會停止 ),所以必須設定停止條件
-
以生物神經元模型為基礎所開發,但只是跟生物神經元傳遞訊號的機制類似,除此之外沒有其他關係
-
神經網路架構圖:
-
假設一筆輸入向量 x 為 p 維度
-
將bias加入 x 中,即常數 1
-
感知機的權重 w 為 p+1 維度,即包含bias,隨機初始化
-
參數與激勵函數如下:
感知機透過下式運作:
前饋階段的輸出,1代表class 1;-1代表class 2。接下來要做更新的動作,如下:
x 表輸入向量、η表示學習率
詳細收斂證明請參考台大林軒田老師的這部教學影片:https://reurl.cc/pmMb4d
持續做1、2步,直到達到停止( 收斂 )條件