损失函数的一个自然选择是误分类点的总数。
算法 2.1 （感知机学习算法的原始形式）
输入：训练数据集T；学习率
输出：w,b；感知机模型。
（1）选取初值w0,b0；
（2）在训练集中选取数据（xi，yi）；
（3）如果yi(w*xi+b)<=0...
（4）转至（2），直至训练集中没有误分类点。
2.3.2 算法的收敛性
将偏置b并入权重向量w，同样也将输入向量加以扩充，加进常数1。
定理 2.5 设数据集T是线性可分的，则
2.3.3 感知机学习算法的对偶形式
本章概要
1.感知机是根据输入实例的特征向量x对其进行二类分类的线性分类模型：
f(x) = sign (w*x + b)
感知机模型对应于输入空间（特征空间）中的分离超平面w*x + b -= 0 。
2. 感知机学习的策略是极小化损失函数。
损失函数对应于误分类点到分离超平面的总距离。
3. 感知机学习算法是基于随机梯度下降法的对损失函数的最优化算法，有原始形式和对偶形式。
4.当训练数据集线性可分时，感知机学习算法是收敛的。感知机算法在训练数据集上的误分类次数k满足不等式：
k<=(R/r)^2
当训练数据集线性可分时，感知机学习算法存在无穷多个解，其解由于不同的初值或不同的迭代顺序而可能有所不同。