因為支持向量機算是通過所有數據尋找最優分類方式的算法，而感知機算法是尋找某一分類方式的算法，所以，多數情況下，支持向量機求得的分類超平面優于感知機算法求得的分類超平面。



圖片來源：中國慕課大學《機器學習概論》

因為感知機算法的性能較差，所以感知機算法已經不再被使用。但感知機算法對于機器學習算法的發展具有如下意義。

一、提出機器學習算法框架

假設某系統的輸入為X，輸出為Y。機器學習算法的目的尋找預測函數f(X,θ)，預測函數的形式通過人為設定的方式確定，機器學習算法的求解過程是通過訓練數據集(Xi,yi)，i=1~N求解θ。



圖片來源：中國慕課大學《機器學習概論》

在感知機算法中，待估及參數θ=(W,b)，f(X,θ)=sgn(WTX+b)，其中，sgn代表符號函數（x>0,sgn(x)=1；x=0,sgn(x)=0；x<0,sgn(x)=-1）。若X的維度為M，則θ的維度為M+1。此機器學習框架可應用于強化學習、無監督學習等機器學習領域。 ?

當訓練數據的分布較復雜，所選取的f(X,θ)較簡單時，無論θ為何值均不可全面模擬訓練數據的分布。此種訓練數據比預測函數復雜的情況被稱為模型欠擬合（Underfit）。

當訓練數據的復雜度和f(X,θ)的復雜度相匹配時，模型預測能力最佳。

當訓練數據的分布較簡單，所選取的f(X,θ)較復雜時，預測函數可以準確擬合數據，但在沒有訓練數據的區域，預測函數也會出現復雜函數值分布，不能反映訓練數據分布的真實情況。此種預測函數比訓練數據復雜的情況被稱為模型過擬合（Overfit）。模型過擬合時，預測函數可以精確預測訓練數據，但無法精確預測測試數據。



圖片來源：中國慕課大學《機器學習概論》

二、感知機算法是消耗較少內存資源算法的先驅

2014年，Meta（Facebook）公司的DeepFace人臉識別系統需要通過超過400萬張的人臉圖片求解維度超過1800萬的參數θ（個人理解：需要求解一個未知數超過1800萬個的問題）。

上述求解問題若采用支持向量機算法進行求解，需要將超過400萬張的人臉圖片的數據均輸入至計算機，并需要計算機求解全局優化問題，此全局優化問題對計算機的存儲資源和計算資源消耗較大。



圖片來源：中國慕課大學《機器學習概論》

相比較而言，感知機算法只需存儲W和b，并通過訓練數據調整W和b的值（感知機算法通過加減法的方式調整W和b的值，此方式需要的計算資源較少），再循環調整W和b值過程，即可完成求解。其所需要的存儲資源和計算資源較小。 目前，機器學習領域的訓練數據量較大，類似感知機算法的求解方式，即每次輸送小部分數據訓練并循環的算法逐漸受到歡迎。而類似支持向量機，即針對所有數據進行全局優化的算法逐漸不占優勢。

審核編輯：劉清