パーセプトロンこれは、1957 年に Frank Rosenblatt によって提案された、フィードフォワード ニューラル ネットワークの単純な形式とみなすことができるバイナリ線形分類モデルです。インスタンスの特徴ベクトルを入力し、インスタンスのカテゴリを出力します。
線形分類器としては、最も単純な順方向人工ニューラル ネットワークと見なすことができますが、複雑な問題を学習して処理することができます。その主な欠点は、線形分離不可能な問題を処理できないことです。
パーセプトロンの定義
パーセプトロンは、フィードフォワード ニューラル ネットワークを表すために特徴ベクトルを使用します。フィードフォワード ニューラル ネットワークは、x などの行列を出力値 f(x) にマッピングするバイナリ分類器です。
$latex {f{ \left( {x} \right) } \left\{ \begin{array}{*{20}{l}} {1\text{ }\text{ },w⸳x+b\text { } > \text{ }0}\\ {0\text{ }\text{ }、その他} \end{array}\right.
ここで、w は実数の重みベクトル、w · x はドット積、b はバイアス定数です。
f(x) は、x が正か負かを判断するために使用されます。これは、b が負の値である場合、重み付けされた入力値は -b より大きい値を生成する必要があります。このようにして、分類ニューロンはしきい値 0 よりも大きくなる可能性があります。空間的な観点から見ると、バイアスにより決定境界の位置が変わります。
パーセプトロン学習戦略
コア: 損失の最小化関数
トレーニング セットが分離可能な場合、パーセプトロンの学習目的は、トレーニング セットの正のインスタンス ポイントと負のインスタンス ポイントを完全に分離できる分離超平面を見つけることです。パーセプトロンモデルパラメータ w および b を決定するには、一般に損失関数が使用され、損失関数が最小化されます。
関連語: 多層パーセプトロン、ニューラルネットワーク