机器学习中感知器算法中的权重向量

Question

我正在研究机器学习中的感知器算法。到目前为止，我对感知器的了解如下

1)It's a supervised learning technique
2)It tries to create a hyper plane that linearly separates the class   
  labels ,which is when the perceptron converges
3)if the predicted output and the obtained output from the algorithm   
  doesnot match it adjusts it's weight vector and bias.

但是，如果
感知器无法实现收敛？算法是否继续
更新权重向量？

Answer 1

只有当且仅当类是线性可分的，preceptron 才能收敛。如果这是真的，算法将收敛到 a 解决方案，它不能以任何方式保证解决方案的质量。感知器的超平面不会最小化任何特定的目标并且它没有唯一的解决方案，任何分隔这两个类的线对感知器同样有效。

如果不是这样，感知器将永远不会收敛到最终解决方案。它可能会在一个合理的区域反弹，但这并不能保证——它可能会飞到一个无用的地方。它只会不断更新其权重，直到您强制执行某些停止条件（最常见的是通过数据的最大次数）。