本文主要向大家介绍了机器学习入门之机器学习-深度学习之李航-统计学习方法学习笔记之感知机，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

         关于感知机的几何模型。
          感知机有如下几何解释：线性方程：
 　　　　　　　　　　　　w•x+b=0
          对应于特征空间Rn中的一个超平面S,其中w是超平面的法向量，b是超平面的截距。
   
我们首先看一下法向量的定义 
如果一个非零向量n与平面a垂直，则称向量n为平面a的法向量。
垂直于平面的直线所表示的向量为该平面的法向量。每一个平面存在无数个法向量。
因为我们知道超平面的几何方程还可以这样写  ：Ax+By+Cz=D;如下图

上图来自于网易公开课，可汗学院线性代数公开课，点击进入
其中法向量n=Ai+Bj+Cz ;也就是法向量可以如下表示（A,B,Z）;
超平面几何方程：Ax+By+Cz=D;
和该处超平面的方程相对比，w•x+b=0  也就是w=n=(A,B,Z) ，其中-b为超平面的截距，也就是平面方程中的D;
感知机模型中的X也就是特征向量，也就是平面中的一系列点，也就是我们超平面几何方程中的(x,y,z);
到此我们就不能理解了。感知机几何模型w•x+b=0  既是超平面几何方程Ax+By+Cz=D;
      感知机学习策略
     既然了解了感知机的几何模型，接下来我们就看一下感知机的学习策略。
    对于一个线性可分的 数据集    
     
        我们现在需要找到一个分离超平面，也就是确定w,b的参数，来将损失函数最小化，在这儿也就是求出所有的点到该几何平面的总距离，并使该总距离最短。从而将特征向量完全区分开来。
        我们需要求任意一点到该超平面的距离，公式如下

我们首先来看|w•x0+b|的意义
我们先不管作者给出的公式。我们先看一下在线性代数里面是怎样求一个点到平面的距离的。


具体的公式推导请到网易公开课，线性代数课程观看，点击此处
 
从线性几何我们得出任意一点到平面的距离公式是

其中Ax+By+Cz-D,也就是我们上面给的线性几何模型。相对于感知机也就是w•x+b
对于A2+B2+C2开平方也就是将对法向量w(A,B,C) 的一系列操作。作者在书中提到该值是法向量w的L2范数。我们先看一下范数的概念。

该定义来自线性代数
从上定义我们可以得知||w||即为对A2+B2+C2开平方。
至此我们就明了了作者书中公式的由来。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！