在该系列博客《线性模型》的前两章介绍了介绍了线性模型用于回归任务,即多项式拟合和线性回归。那么能否方便地将线性模型也用到分类任务上呢?
按照我自己的理解,将线性回归用于分类,最简单的思想就是构建线性回归模型
f(x)=wTx+b
,然后做如下的判断来实现简单的二分类。
{f(x)≥0,正例f(x)<0,负例
当然这只是一个最简单的想法,要实现的话,还需要涉及到如何定义损失函数,如何求解最优化问题等。感知机(perceptron)就是使用该思想进行分类的算法,下面来看看感知机算法的原理吧。
输入:数据集
D={(x1,y2),(x2,y2),...,(xN,yN)}
,其中
xi=[xi1,xi2,...,xid]
,而
yi∈{−1,1}
输出:
f(x)=sign(wTx+b)
可见感知机模型和线性回归模型的区别主要在于标签
yi
不再是实数范围,而是表示两个类别,因此对输出做了修改,把结果限制在
{−1,1}
.