博主发现之前写的博客都是偏程序方面，而较少涉及数学或算法方面的东西，其实无论什么软件工具，最终都是为了更好地给理论铺路搭桥，所以我觉得不应该就某个程序贴个博客，而是在实际算法研究中，将理论描述清晰，再通过工具实现，两个结合。

      废话不多说，最近上 台@@湾 大学的ML课程，说到PLA（perception learning algorithm）算法，涉及到ML的一个入门算法，我花了一些时间消化整理，在这里跟大家分享一下，希望大家再回过头去看 台@@湾 大学ML课程的时候，能更加如鱼得水。

算法具体如下：

      PLA是一种能够通过自己学习而不断改进的分类算法，可将二维或者更高维的数据切分成对应不同的种类（1和-1），假设我们有n个数据样本，每个数据样本对应的维度为m，可以表示成如下：

      对于每个样本，其对应的类别为1或-1，可表示为如下：

      我们假设一条直线：

      其对应为样本m个维度的系数，这里需要注意的是，我们的目标是求解出W的值，将对应的两种类别很好地分开，而不是在样本中做回归求误差最小。

      所以我们的目标是使下面式子成立：

      其中sign是符号函数，对于所有的正数，返回1，对于所有非正数返回-1.

      可以通过将表示为而化简上市，其中，则有如下：                                                                                                   （1）

      实际过程中上述等式可能没办法在一开始就成立，所以当等式不成立的时候，我们需要某种方法来修正过程中的W参数，下面举个栗子：

      比如我们计算出来：      是正的，而却是负的，从某种意义上来说，W参数是偏大的；而当是负的，而对应的却是正的，那么W参数是偏小的，那么，我们该如何调整W参数呢？

可以通过如下：

      这样我们就可以通过将对应的W参数自主学习调整为越来越靠近正确的W。

也许你会问，为什么这样通过修改W最后一定会收敛？或者换个说法，为什么通过这样不断地变化W参数，最后一定会有一条直线能将样本较好地分开呢？

      下面我会证明上面这个问题，也就是证明PLA算法的收敛性：

      假设存在一条直线能将我们样本数据很好分类，那么则有：

      该式对应上文式（1），这里我通过向量表示消除符号过多的问题。

      为了证明W会朝着靠拢，我们可以构造如下式子：

                                                                                                   （2）

其中我们上文以及假设是正确的分类线，那么意味式（2）中，

则算法在每次迭代修改W时，，那么从向量内积的角度来看，这意味着两个向量越来越靠近。

      也许你还会问，两个向量内积越来越大，除了角度变小的可能外，还有两个向量越来越大的可能？

下面我会证明其实在W参数学习的过程中其单位长度在不断变小：

其中我们已经知道和符号相异，那么

则在W自主学习的过程中，其模越来越小，而上述式（2）我们证明了越来越大，那么综合只有当向量和的角度越来越小时，式（2）才会成立，所以我们证明了自主学习，W会朝着越来越正确的方向变动（即使有时候这种变动我们察觉不出）。

      PLA算法在多维度分类效果也比较好，收敛速度很快，这里博主用的是双维度样本，该样本在更新1400多次后输出了对应的结果，代码质量还有待改进。      

下面是算法的实现（R语言）

#加载ggplot2包

library(ggplot2)

library(plyr)

#PLA数据，取R自带数据集iris，确保直线下方数据标签为-1

     pladata <- data.frame(x1=iris[1:100,1],x2=iris[1:100,2],y=c(rep(1,50),rep(-1,50)))

     ggplot(data=pladata,aes(x1,x2,col=factor(y)))+geom_point()     #样本数据展示

#PLA函数,x表示样本数据，y为对应类别，initial为w初始值，delta为相对误差率

PLA <- function(x,y,initial,delta){

           w <- initial;n <- length(y);

           x <- as.matrix(cbind(x0=rep(1,dim(x)[1L]),x))

           error <- 1

           while(error > delta){

              if(all(sign(x %*% w)==y)){

                   error <- 0

              }else{

                   xnt <- which(sign(x %*% w)!=y)

                   w <- w + x[xnt[1],] * rep(y[xnt[1]],dim(x)[2L])

                   xnt1 <- which(sign(x %*% w)!=y)

                   error <- length(xnt1)/n

              }

       }

             names(w) <- paste("w",0:(dim(x)[2L]-1),sep="");print(w);

}

w <- PLA(x=pladata[,1:2],y=pladata[,3],initial=c(1,0,0),delta=0)

#分类结果展示：

names(w) <- NULL

ggplot(data=pladata,aes(x1,x2,col=factor(y)))+

geom_point()+

geom_abline(aes(intercept=(-w[1]/w[3]),slope=(-w[2]/w[3])))

      其中未分类前的散点图如下：

      通过自主学习训练后的结果如下：

      如果有什么问题可以留言探讨哦。