本文是在學習此書chapter4時，跑的實驗。
% x : d*n維輸入資料
% t : 標籤
%
% w : [w0 w1 w2]
% mis_class : 錯誤分類資料點數
% 對t做簡單的檢查
if size(unique(t),2)~=2
return
elseif max(t)~=1
return
elseif min(t)~=-1
return
end
[dim num_data] = size(x);
w = ones(dim+1,1);%%w = [w0 w1 w2]'
x = [ones(1,num_data); x];
maxiter = 100000;
mis_class = 0;
iter = 0;
while iteriter = iter+1;
y = w'*x;
label = ones(1, num_data);%
label(y<=0) = -1;
index = find(label~=t); %錯誤分類的點
mis_class = numel(index); %錯誤分類點的數目
if mis_class==0
break
end
for i = 1:mis_class
w = w + x(:,index(i))*t(index(i));
end
end
if iter==maxiter
disp(['達到最大迭代次數' num2str(maxiter)])
線性分類器 Fisher線性判別
我們知道，基於樣本直接設計分類器需要三個基本要素 判別函式型別 分類器設計準則 尋優演算法。這裡我們討論的線性判別函式型別為 g x w tx w 0 採用不同的準則和不同的尋優演算法就會得到不同的線性分類器。一 線性判別函式 剛才我們說了，線性分類器的判別函式型是線性判別函式 g x w tx w...
線性判別函式 判定面以及感知器
標籤 模式分類 不知道你還記不記得前面講過的判別函式的問題 見概述，貝葉斯策略，最大似然估計 乙個 判別函式 是指由x的各個分量的線性組合而成的函式 g x w tx w 0 這裡w 是 權向量 w0 被稱為 閾值權 或者 偏置 一般情況下有c個這樣的判別函式，分別對應c類中的一類，我們總是選取gi...
判別函式（四）之感知器演算法
基本思想 感知器的訓練演算法 已知兩個訓練模式集分別屬於 1類和 2類，權向量的初始值為w 1 可任意取值。若 若 若 若以上情況不符合，則表明該模式樣本在第k次中分類正確，因此權向量不變，即 w k 1 w k 若對此時，感知器演算法可統一寫成 感知器演算法實質上是一種賞罰過程對正確分類的模式則 ...