The perception and large margin classifiers

　　假设样例按照到来的先后顺序依次定义为。为样本特征，为类别标签。任务是到来一个样例，给出其类别结果的预测值，之后我们会看到真实值，然后根据真实值来重新调整模型参数，整个过程是重复迭代的过程，直到所有的样例完成。这么看来，我们也可以将原来用于批量学习的样例拿来作为在线学习的样例。在在线学习中，我们主要关注在整个预测过程中预测错误的样例数。

　　用表示正例，表示负例，支持向量机中提到的感知算法（perception algorithm），我们的假设函数为：

　　其中，x是n维特征向量，是n+1维参数权重。函数g用来将计算结果映射到-1和1上。具体公式如下：

提出一个在线学习算法如下：

新来一个样例，我们先用从之前样例学习到的来得到样例的预测值y，如果（即预测正确），那么不改变，反之

　　如果对于预测错误的样例，进行调整时只需加上（实际上为正例）或者减去（实际负例）样本特征x值即可。初始值为向量0。这里我们关心的是的符号，而不是它的具体值。调整方法非常简单，然而这个简单的调整方法还是很有效的，它的错误率不仅是有上界的，而且这个上界不依赖于样例数和特征维度。

　　下面定理阐述了错误率上界：　　

　　定理（Block and Novikoff）：

给定按照顺序到来的样例。假设对于所有的样例，也就是说特征向量长度有界为D。更进一步，假设存在一个单位长度向量且。也就是说对于y=1的正例，，反例，u能够有的间隔将正例和反例分开。那么感知算法的预测的错误样例数不超过。

根据对SVM的理解，这个定理就可以阐述为：如果训练样本线性可分，并且几何间距至少是，样例样本特征向量最长为D，那么感知算法错误数不会超过。这个定理是62年提出的，63年Vapnik提出SVM，可见提出也不是偶然的，感知算法也许是当时的热门。

　　下面主要讨论这个定理的证明：

感知算法只在样例预测错误时进行更新，定义是第k次预测错误时使用的样本特征权重， 初始化为0向量。假设第k次预测错误发生在样例上，利用计算值时得到的结果不正确（也就是说，调换x和顺序主要是为了书写方便）。也就是说下面的公式成立：

根据感知算法的更新方法，我们有。这时候，两边都乘以u得到

两个向量做内积的时候，放在左边还是右边无所谓，转置符号标注正确即可。

这个式子是个递推公式，就像等差数列一样f(n+1)=f(n)+d，由此我们可得：

因为初始为0，下面我们利用前面推导出的和得到

也就是说的长度平方不会超过与D的平方和。

又是一个等差不等式，得到：

两边开根号得：

其中第二步可能有点迷惑，我们细想u是单位向量的话，

因此上面的不等式成立，最后得到：

也就是预测错误的数目不会超过样本特征向量x的最长长度与几何间隔的平方，实际上整个调整过程中就是x的线性组合。

整个感知算法应该是在线学习中最简单的一种了。