感知机(perceptron)是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于判别模型。

一 感知机模型

 假设输入空间（特征空间）是 \(\mathcal{X} \subseteq \mathbf{R}^{n}\)，输出空间是 \(\mathcal{Y}=\{+1,-1\}\)，输入 \(x \in \mathcal{X}\)，表示实例的特征向量，对应于输入空间的点，输出 \(y \in \mathcal{Y}\)，表示实例的类别。

$$
f(x)=\operatorname{sign}(w \cdot x+b)
$$

称为感知机，\(w \in \mathbf{R}^{n}\) 叫做权值（weight）或权值向量（weight vector），\(b \in \mathbf{R}\) 叫做偏置（bias），\(w \cdot x\) 表示内积，\(sign\) 是符号函数：

$$
\operatorname{sign}(x)=\left\{\begin{array}{ll}{+1,} & {x \geqslant 0} \\ {-1,} & {x<0}\end{array}\right.
$$

感知机有如下几何解释：

$$
w \cdot x+b=0
$$

对应于特征空间 \(\mathbf{R}^{n}\) 中的一个超平面 \(\mathbf{S}\)，其中 \(\) 是超平面的法向量，\(\) 是超平面的截距。这个超平面将特征空间划分为两个部分，位于两部分的点（特征向量）分别被分为正、负两类。

二 感知机学习策略

2.1 数据集的线性可分性

能够将数据集的正实例点和负实例点完全正确