感知机是这一种二类线性分类模型，其输入实例的特征向量，输出为实例的类别，取+1和-1二值。感知机模型和LR模型（https://blog.csdn.net/u014571489/article/details/83387681 ） 一样都是二分模型，但是目标函数(损失函数)不一样。
感知机解释及定义
在讲怎么构建目标函数之前，先说一下感知机怎么将数据点分为两类。在逻辑回归中是通过激活函数来计算点属于某一类的概率，哪个类的概率大就属于哪一类。感知机也是通过预测值的大小来决定点属于哪一类，不同点在于感知机是通过线性函数来预测，或者是感知机的激活函数就是线性的。很多个线性的感知机就构成了神经网络，这也是为什么感知机被称为神经网络的基础，有兴趣可以去了解一下AI历史
（https://blog.csdn.net/sunfoot001/article/details/51126360 ）。
如上图所示，感知机和逻辑回归一样，都是为了得到图中的直线方程来构建线性分类器，这个直线方程就叫做超平面，所有在直线上的点都满足wx+b=0。也叫做超平面。
有了超平面，通过构建如下的符号函数，wx+b>0时，f（x）=1，否则f（x）=-1.
该符号函数也就是感知机。
感知机模型的目标函数
有了感知机，剩下要做的就是根据感知机构建目标函数。顺便提一下，逻辑回归是根据激活函数构建的目标函数，这也是感知机和逻辑回归不一样的地方。
接下来就讲讲感知机模型的目标函数的构建思想。假设现有了超平面，现在点可以被分为两类，一类是分类正确的点，一类是分类错误的点，感知机的目标函数就是根据分类错误的点集来计算目标函数，分类正确的点是不算在目标函数内的。感知机的目标函数如图所示：
其中M就是分类错误的点集，当有错误点存在的时候，目标函数值一定是正整数，当全部分类正确时，目标函数值为0，这也是感知机模型的缺陷，在数据点可二分的前提下，满足目标函数值为0的超平面是有无数个的。其中有个问题需要注意的是，这个模型一定是可收敛的吗？因为M集合是不断变化的。这个问题是可以证明的，看懂证明过程也不难，参照博客（https://blog.csdn.net/weixin_41911765/article/details/81811231 ） ，具体的迭代方法分为感知机的原始形式和感知机的对偶形式。
感知机的原始形式
感知机的原始形式，对误分类点只迭代一次。当数据量很大，只有极少数的点分类错误的时候，即使迭代很多次，感知机的原始形式也没办法完全分类正确。
感知机的对偶形式
最后附上一份感知机原始形式的python3源代码：
https://download.csdn.net/download/u014571489/10771251
