他当初刚写第一篇论文的时候，就拟好了这个题目，只是由于数学基础不够，一直停留在构思阶段。

这两天他利用碎片时间，稍微补了补高数知识，这才真正动笔。

江寒将近期一些想法整理了一下，罗列了个大纲出来。

很多机器学习分类算法，都要求假设数据线性可分，“感知机”也不例外。

如果数据不是线性可分的，就必须采用一些特殊的方法，把数据非线性地投射到更高的维度上。

在高维空间里，数据更有可能变成线性可分的，这就是所谓的Cover定理。

对于感知机来说，处理线性不可分的问题，有个最简单的解决办法，那就是把单层感知机拓展为多层感知机。

多层感知机的关键，在于如何训练各层之间的连接权值。

一种常用的办法是只训练某两层间的连接权值，而将其它连接权值进行固定。

可以从数学上证明，对于所有非线性可分的样本集，这种方法都是收敛的。

也可以采用BP技术，也就是另一个世界里，大名鼎鼎的“反向传播神经网络”。

当然，这个世界里，“感知机”都还没正式登场，说这些还有点早。

至于BP技术什么时候问世，基本上是江寒自己说了算……

此外，还可以将数据带到核空间，再进行分类。

在另一个世界里，有很多着名的算法，例如支持向量机（SVM）、径向基神经网络（RBFNN）等等，都采用了所谓的“核方法”。

核方法的核心，是核函数。

工业生产中，常用的核函数有线形核、多项式核、高斯核等等。

所谓核空间，百度百科上说：“核型空间是一类局部凸空间。”

具体来说：如果对零元的任何均衡凸邻域V，存在另一零元的均衡凸邻域U?V，使得典型映射T：XV→XU是核映射，则局部凸空间X称为核型空间。

Loading...

未加载完，尝试【刷新网页】or【关闭小说模式】or【关闭广告屏蔽】。

使用【Firefox浏览器】or【Chrome谷歌浏览器】打开并收藏！

移动流量偶尔打不开，可以切换电信、联通网络。

收藏网址：www.sisiread.com

(＞人＜；)