完整定義
感知器是一種二元線性分類器,也是最簡單的前饋神經網路。它接收多個輸入,每個輸入都有一個權重,將這些加權輸入求和,然後通過一個激活函數(通常是階躍函數或符號函數)來產生一個二元輸出。感知器主要用於解決線性可分的問題。
白話說明
你有沒有想過,最簡單的神經網路怎麼先把兩類東西分開?
你可以把 感知器 想成 模型學到的就是這些數值。
訓練真正改變的,就是參數,一條線先切出兩類,這就是感知器的核心 這件事就特別重要。
記住這句
一條線先切出兩類,這就是感知器的核心
比喻:感知器就像一個簡單的「是非判斷機」-- 它接收幾個資訊(輸入),根據每個資訊的重要性給予不同權重,然後決定最終答案是「是」或「否」(二元分類)。
容易混淆
感知器 vs 深度學習神經網路
感知器像一個單細胞生物,只能做最簡單的判斷;深度學習像一個大腦,由多個層次感知器組成,能處理非常複雜的模式和任務。
最關鍵的區別:一個是模型學到的值,一個是人先設的值。
感知器 vs 超參數
參數是模型自己學出來的數值,超參數是人先設好的設定
最關鍵的區別:一個靠訓練學,一個靠人先決定。
實際案例
案例 1:用感知器把可分的郵件分成垃圾和正常
案例 2:教學時拿它示範線性分類和權重更新
演算法與應用
核心意思就是:一條線先切出兩類,這就是感知器的核心。
神經網路裡的權重和偏差都屬於參數
訓練時會透過損失函數和梯度下降去調整它們
情境判斷
Q2(判斷題): 參數多就一定比較好嗎?
看情況,參數多代表容量大,但資料和訓練不夠時也更容易過擬合
常見問題
感知器使用階躍函數或符號函數作為激活函數,輸出二元結果,而邏輯迴歸使用 Sigmoid 函數,輸出概率值。 感知器主要用於線性可分問題,邏輯迴歸則更適用於概率預測和非線性問題。
感知器本身無法處理非線性可分的問題。 解決方案是使用多層感知器(MLP),即包含多個感知器層的神經網路。 通過引入隱藏層,MLP 可以學習到非線性決策邊界,從而解決非線性可分的問題。
學習率控制權重更新的幅度。 過大的學習率可能導致訓練過程不穩定,權重在最優解附近震盪,甚至發散。 過小的學習率則會導致訓練速度過慢,需要更多的迭代次數才能收斂。 因此,需要仔細調整學習率,以獲得最佳的訓練效果。
感知器逐筆看訓練資料,預測正確就不更新,預測錯誤時用 w ← w + η·y·x 調整權重(標籤 y 取 +1 或 −1),偏差也加上 η·y。資料線性可分時,感知器收斂定理保證在有限次更新內找到能完全分開兩類的超平面。
不是。財經新聞與產品說的「感知器」多半指感測器(sensor),例如車用或工業用的感測元件,相關公司被稱為感知器概念股。這頁講的感知器(perceptron)是 1950 年代提出的機器學習分類模型,兩者只是中文剛好同名。
範例考題
某智慧城市專案導入 AI 技術,以優化垃圾收集路線調度並即時監測空氣品質變化。系統需持續蒐集環境數據(如 PM2.5、氣體濃度)與設備狀態(如垃圾桶滿溢溫度)。下列何種技術最直接支援上述需求?
- A專家系統(Expert System)
- B決策支援系統(Decision Support System)
- C啟發式決策引擎(Heuristic Decision Engine)
- D感知器網路(Sensor Network)
正解是 D:感知器網路(Sensor Network)
解析:該場景需要持續蒐集環境數據與設備狀態,這正是感知器網路(Sensor Network)的核心功能。感知器網路由分散部署的感測器組成,能即時收集環境資料並傳輸至中央系統進行分析。
相關術語
來源
參考來源:en.wikipedia.org
其他格式:Markdown 版本