感知器一种用于监督学习各种二进制排序任务的机器学习算法。
感知器算法在检测商业智能中的某些输入数据计算方面还具有作为人工神经元或神经链接的重要作用。感知器模型也被归类为最好和最具体的人工神经网络类型之一。作为二元分类器的监督学习算法，我们也可以将其视为具有四个主要参数的单层神经网络：输入值、权重和偏差、净和和激活函数。
感知器算法的类型
1、单层感知器模型
最简单的ANN（人工神经网络）类型之一由前馈网络组成，并在模型内部包含阈值传输。单层感知器模型的主要目标是分析具有二元结果的线性可分对象。单层感知器只能学习线性可分的模式。
2、多层感知器模型
主要类似于单层感知器模型，但隐藏层更多。
感知器算法学习输入信号的权重以绘制线性决策边界。
感知器学习规则
感知器学习规则指出该算法将自动学习最佳权重系数。然后将输入特征与这些权重相乘，以确定神经元是否触发。
感知器算法接收多个输入信号，如果输入信号的总和超过某个阈值，它要么输出一个信号，要么不返回输出。在监督学习和分类的背景下，这可以用来预测样本的类别。
感知器算法如何工作？
如前所述，感知器被认为是具有四个主要参数的单层神经链接。感知器模型首先将所有输入值及其权重相乘，然后将这些值相加以创建加权和。此外，将此加权和应用于激活函数“f”以获得所需的输出。此激活函数也称为阶跃函数，用“f”表示。
这个阶跃函数或激活函数对于确保输出映射在(0,1)或(-1,1)之间至关重要。请注意，输入的权重表示节点的强度。类似地，输入值赋予激活函数曲线向上或向下移动的能力。
感知器算法的优缺点
优点：
多层感知器模型可以解决复杂的非线性问题。
它适用于小型和大型输入数据。
帮助我们在训练后获得快速预测。
帮助我们获得大小数据相同的准确率。
缺点：
在多层感知器模型中，计算耗时且复杂。
很难预测因变量对每个自变量的影响程度。
模型的功能取决于训练的质量。
感知器模型的特征
以下是感知器模型的特征：
它是一种机器学习算法，使用二元分类器的监督学习。
在Perceptron中，权重系数是自动学习的。
最初，权重与输入特征相乘，然后决定是否激活神经元。
激活函数应用步进规则来检查函数是否比零更重要。
绘制了线性决策边界，可以区分两个线性可分的类+1和-1。
如果所有输入值之和大于阈值，则必须有输出信号；否则，将不显示任何输出。
感知器模型的局限性
以下是感知器模型的限制：
由于硬边传递函数，感知器的输出只能是二进制数（0或1）。
它只能用于对输入向量的线性可分集进行分类。如果输入向量是非线性的，则不容易对其进行正确分类。
