感知机算法
感知机（perception）是一种二类线性模型，主要用于分类问题。
一些定义
目标函数：
f(x)=sgn(w*x+b) 其中sgn为符号函数
其中向量w为目标函数向量，向量x为样本。向量w={w1,w2…wn}，向量x={x1,x2…xn}
超平面：
w*x+b=0 所构成的平面
向量w为超平面上的法向量。
训练集：
T=(x1,y1),(x2,y2),(x3,y3)…(xn,yn)
其中xn为向量，即为上面的向量x
yn的取值范围为{-1，1}。即正类为1，负类为-1。
线性平分：
若向量w满足，对于所有i，若w*xi+b>0则yi=1,若w*xi+n<0则yi=-1，则称w线性平分x。
负分类：
对于任意i，若满足 yi*(w*xi+b)<0则计为负分类。
通俗地来说也就是分错类。
分类损失/代价函数
L(w,b) = -Σyi*(wi*xi+b) 其中i为所有的负分类
若没有负分类则 L(w,b)=0。
对于感知机算法，我们需要做的是最小化L。
最优化计算
我们取出我们需要最优化的函数 L(w,b) = -Σyi*(wi*xi+b) 其中i为所有的负分类
这东西一般使用随机梯度下降法进行计算。
我们先随机一个向量w0和常数b0。
然后每次随机选择一个负分类x，让它对w和b进行梯度下降。
w=w-α*yi*xi ， b=b-α*xi 其中α为学习率。
然后继续操作直到没有负分类点。