一.Perceptron Learning Algorithm
1.回顾机器学习流程
思考假设空间H是什么样的，学习算法A确定后，h的样子就确定了,根据W的不同可以得到不同的h，构成假设空间H，学习算法从H中挑选表现最好的h即为最终的g，g和f在D上表现应该尽量一致，在未知数据（test data）上越接近代表性能越高。
2.PLA原理
PLA是二元线性分类算法，找一条线或平面或超平面可以将数据根据标签的不同一分为二。银行发信用卡问题，给用户不同的信息赋不同的权值，当累加超过阈值时，发行用卡，当没有超过阈值时不发信用卡。
当算法确定后，H的形式确定，即为h(x)，由wi和threshold决定，看PLA在二维空间的情况，根据w0（-threshold），w1，w2的不同取值，得到不同的h，这些h构成了假设空间H，算法的目标是在H中找一条最好的直线（没有误分类点）将D中的数据一分为二。
公式化简，将阈值的相反数表示为w0，W的维数增加了一维，相应地数据X的维数也要增加一维x0，x0=1。
前面提到算法的目标是找到一条最好的直线，但是二维空间中的直线有无数条，找最好的并不容易，我们一般采取的方法是选定一条直线，对该直线进行修正。
3.修正方法（更新过程）
遍历数据集D，当出现误分类点时，更新W，重复该过程直到在数据集上没有误分类点为止。
更新规则有两种情况：①yn=+1，而计算出来的h(xn)=-1，说明W和X的内积<0，说明W和X的夹角太大，需要W+X，调小角度。
②yn=-1，而计算出来的h(xn)=+1，说明W和X的内积>0，说明W和X的夹角太小，需要W-X，调大角度。
更新W其实就是在H中找到与目标f更为相似的h的过程。
更新使异常程度变小，尝试把线转到正确的方向上去，即h越接近目标函数f。
4.停止更新
思考：算法迭代一定会停吗？
回顾停止条件：在当前W下，遍历数据集D中的所有数据点，没有误分类点时，停止。
当数据集线性可分时，算法能够停止。
每次更新使Wt接近Wf
跟新一轮后，Wf和Wt+1的内积>Wf和Wt的内积，内积=||Wf||*||Wt||cosθ，内积变大有可能是cosθ变大，也有可能是||Wt||变大，不能说明Wt和Wf越来越接近，还需解决长度问题。
可见Wt不会增加太快，所以每次更新Wt会越来越接近Wf。
5.PLA的优缺点
