机器学习入门3 ——感知器和逻辑回归

在这篇文章中，我们将讨论最基本的机器学习算法之一：感知器算法(Perceptron)。该算法构成了许多现代ML算法的基础（最著名的是神经网络）。此外，我们将讨论感知器算法的兄弟，逻辑回归。

有监督和无监督算法

在机器学习中，有两种通用的算法。在上一篇文章中我们讨论了回归和分类。这两种方法均属于有监督学习算法的大范围之内，监督学习算法是两类机器学习算法之一。另一类算法称为无监督算法。

监督算法从标记的训练数据中学习。这些算法是“有监督的”，因为我们知道正确的答案是什么。如果该算法收到一堆标记为苹果或橘子的图像，可以首先猜测图像中的对象，然后使用标签检查其猜测是否正确。

无监督学习有点不同，因为它在数据中发现模式。它的工作方式类似于我们人类在随机现象中观察模式（或物体）的方式。无监督学习算法通过查看未标记的数据来做同样的事情。就像我们在观察对象时没有特定的目标（识别对象除外），算法除了从数据本身推断模式之外没有特定的目标。

我们将在以后讨论无监督算法。现在，让我们来看一个非常简单的监督算法，称为感知器算法(Perceptron)。

一种感知模型

机器学习和AI的目标之一就是做人类所做的甚至超越他们的事情。因此，尝试并模仿人类在大脑方面的工作是有意义的。

大脑由数十亿个相互连接的神经元组成，这些神经元不断发射信号，将信号从一个神经元传递到另一个神经元。它们使我们能够例识别面孔，图案，最重要的是思考。做很多令人难以置信的事情。

单个神经元的工作很简单：如果其输入符合特定条件，它将触发，并向与其连接的其他神经元发送信号。当然，实际的解释要比这复杂得多，但是由于我们使用计算机来模拟大脑，因此我们只需要模仿关于大脑是如何工作的。

感知器模仿机器学习算法中神经元的功能。感知器是现有的最古老的机器学习算法之一。

1957年首次使用它识别基本图像时，《纽约时报》将其称为：

未来的电子计算机的雏形将能够行走，交谈，书写，复制自身意识等。

距离这个目标我们还有一段距离要走，但《泰晤士报》确实认识到感知器的潜力。感知器现在构成了更复杂的神经网络的基础，我们将在下一篇文章中进行讨论。

像神经元一样，感知器接受多个输入并吐出一个输出。例如，一个感知器可能将输入温度作为输入并尝试回答“我今天应该穿毛衣吗？”的问题。如果输入温度低于某个阈值（例如70˚F），则感知器将输出1（是）。如果温度高于阈值，则感知器将输出0（否）。

当然，在决定是否穿毛衣时，我们可以考虑的变量不仅仅是温度。

就像生物神经元通常可以具有多个输入电脉冲一样，我们可以使感知器具有多个输入。在这种情况下，我们还必须对每个输入加权一定数量。如果要使用温度，风速以及完全随机的东西（例如在香港洗澡的人数）作为输入，我们希望对每个输入使用不同的权重。温度可能会具有负的权重，因为温度越低，您穿毛衣的可能性就应该越高。风速应具有正的权重，因为风速越高，您穿毛衣的可能性就越大。