5.1 神经元模型
这是生物上神经元的一个作用。
M-P精神元模型
1943年，Miculloch和Pitts受到生物神经网络启发，将生物上的神经元情形抽象，提出了机器学习中的“M-P神经元模型”。如图所示
①这里的xi就表示来自第i个神经元的输入。这个神经元会收到n个来自其他神经元传递过来的输入信号。与前面线性回归中一个样例有n维属性相同。
②每一个输入进来的信号都有相应的权重w，因此输入进来n个输入的时候。就会计算出一个加权和
③神经元会有一个阈值。加权和与阈值比较
④通过激活函数处理产生神经元的输出，也就是f（）
激活函数
M-P神经元模型最理想的激活函数是阶跃（sgn）函数，它将神经元输入值与阈值的差值映射为输出值“0”或“1”。
然而阶跃函数不连续，不光滑，故在M-P神经元模型中，实际是采用Sigmoid函数来作为激活函数的， Sigmoid函数将较大范围内变化的输入值挤压到 (0,1) 输出值范围内，所以也称为挤压函数（squashing function）。
事实上在对数几率回归那里我们也是使用sigmoid函数代替了阶跃函数。
它们的图形如图所示
5.2 感知机
感知机是由两层神经元组成的。
输入层接收外界输入信号后传递给输出层。
输出层是一个M-P神经元。
显然，输出层会输出激活函数处理后的y值
感知机（模型）
感知机模型：使用的激活函数是sgn（阶跃函数）的神经元
显然，其结果会输出0或1，属于分类任务
损失函数（策略）
我们希望错误集合的值最小。也就是求损失函数的最小值。
随机梯度下降法（算法）
区分梯度下降法和随机梯度下降法
梯度下降法；是对所有样本求梯度
随机梯度下降法：是随机挑选一个样本进行梯度下降
感知机学习算法使用的是随机梯度下降法
步骤1：首先对损失函数求偏导，得
步骤2：一次随机选取一个误分类点使其梯度下降。更新权重：
相应地， 中的某个分量 的更新公式即为西瓜书公式(5.2)，最终解出来的 通常不唯 一。
5.3 误差逆传播算法（BP算法）
神经网络
BP算法
步骤：
1.计算输出层误差
2.误差反向传播
3.更新权重值和阈值
全局最小与局部极小
局部极小：参数空间中的某个点，其领域点的误差函数值均不小于该点的函数值；
全局最小：参数空间中所有点的误差函数值均不小于该点的误差函数值；
实际上我们求得的都是局部最小点。求出的该点也无法直接判断。而是通过在测试集中进行测试而观察该点的情况。
