感知器 是什麼？

Perceptron — 感知器 的完整解釋

感知器是最簡單的神經網路模型，模擬生物神經元，接收輸入、加權求和、通過激活函數輸出，用於二元分類。

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。

記住這句就好

一條線先切出兩類，這就是感知器的核心

實際案例

案例 1：用感知器把可分的郵件分成垃圾和正常

這種情況下，感知器 會幫你把原本手工或靠直覺的步驟變得更穩。

案例 2：教學時拿它示範線性分類和權重更新

另一個常見場景也能看出 感知器 的價值，因為它處理的是同一種核心問題。

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

Q1（直覺題）： 用感知器把可分的郵件分成垃圾和正常 這種情況，會先想到 感知器 嗎？

→ 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。

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

感知器和邏輯迴歸有什麼區別？

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。

感知器如何處理非線性可分的問題？

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。

感知器的學習率如何影響訓練效果？

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。