看完這篇文章，你會對機器學習最入門的概念─「感知學習演算法」有基本的認知。因為筆者數學並不好，為了寫這篇，我花了大約30小時，看了10多個版本的教學(n次)，在成大數學的高手歐民同學的指導下，站在好懂的角度撰寫，希望不會令你感到失望 :)
感知器是幹麻用的？
用來產生判斷結果！會經由多個輸入的數據，透過運算產生一個非黑即白的結果，用途相當廣泛。例如透過收入、負債的數據，協助銀行判斷顧客是否可以核辦信用卡(可發/不可發)、或是可以找出潛在消費者(潛在/非潛在)、判斷股票未來的走勢(漲/跌)等等。
感知器的靈感是來自生物的神經元(下圖)，神經元從樹狀突接收不同來源的訊號，其中有些來源的刺激具正向效果、有些來源則是抑制效果，經過加總計算後，如果結果達到該神經的門檻值，則會將訊號從軸索末端傳出；或沒達到門檻，則不傳出訊號(在此為了講解方便，將訊號簡化為有與無，實際上神經元有很多種，也有些會依照加總輸出不同強度的訊號，但不在今日討論範圍內)。
▲神經元(Neurons)，主要構造有樹狀突(Dendrites)、細胞體(Cell Body)與軸索(Axon)，圖片來自UCODE資優密碼
如何透過輸入進行分類？
在我們了解感知器的基本功能後，現在要進一步探討，輸入的數據與分類結果的關係。假設我們腦中有一顆功能是判斷一個男人可不可以嫁的神經元，它只有兩根樹狀突，一根偵測這男人專情程度、另一根偵測他的上進心。接著你得到了50個老婆覺得婚姻幸不幸福的資料，其中紅色的老婆覺得婚姻幸福美滿，藍色的則是有家庭問題或離婚的，如下所示：
▲描述這些女人他們老公的資訊，專情程度用「心上人數」來代表，心上人越多則越不專情；上進心用「上進時數」表示，時數越高越上進
從圖片中直觀的可以發現，心上人數越少且上進時數越多的老公，越能帶給家庭幸福(不過如果沒有這個統計結果，我們很難證明有這樣的關係存在)。接下來也就是感知器最神奇的地方，今天的重點。感知器從心上人數、上進時數等資訊，經過一些變數的調整(調整影響力的強弱)，產生可不可以嫁的答案。這些答案是透過資料訓練出來的，所以沒有經過資料訓練的感知器不會有分類功能，在這裡必須給他先讀過這份「老婆幸福報告書」，才能從結果中歸納出衡量的準則(「心上人數」要少且「上進時數」高才是可以嫁的男人)。
因此我們的目標是，透過這些這份報告書的訓練的資料，建立一個公式，讓未來只要知道某男人的「心上人數」與「上進時數」等資訊，就能馬上判斷這男人可不可以嫁：
(心上人數 * w1) + (上進時數 * w2) = 一個數字
若這數字大於某個值，就表示可以嫁
如何找到這個公式？
接下來問題會變得有點數學，因為我們必須使用數學的方式找到合適的影響力(w1與w2)，使公式產生合理的結果。我們再看看手邊有什麼資訊：
- 50個男配偶的心上人數、上進時數資料(整堆用x表示)。x裡面包含了x1~x50等50筆配偶資料，且每筆配偶資料又包含「心上人數」、「上進時數」兩個數值，因此可以把x1~x50都當作50個不同的向量→(心上人數, 上進時數)
- 我們還必須假設一組數據，代表心上人數、上進時數分別的影響力，這個影響力會與每個男配偶資料相乘(作向量內積)，幫男配偶打一個分數。在這裡我們用w代表這組數據，其中包含w1的心上人數與w2的上進時數。例如w = (-16, 12)，則第20號男人x20有1.2個心上人與7小時的上進，經過相乘後分數為64.8 = 1.2 * (–16)+ 7 * 12，這樣的乘法就是所謂的向量內積。
- 男配偶的老婆幸福與否(只有幸福/不幸福兩種選項)，這個函數我們取名為sign()。輸入的的是某個男人的分數(例如64.8)，輸出的是-1(代表不幸福)或+1(代表幸福)。
好，大概就這樣，不過一開始，我們不會知道w這組影響力的值，必須要透過既有的幸福/不幸福資料，去調整w的內容，所以接下來進入到最核心的部分。起初，我們將w的值設定為(1,1)，並假設sign()分數大於60則為「可以嫁」，如此開始檢查這樣的w是否可以把第一個男人正確歸類。我們將w與x1作向量內積並帶入sign()中，假設得到+1(可以嫁)，我們再將這樣的結果與統計結果對應，看看一號男人是否真的可以嫁；假設結果也是可以的，於是我們用這組影響力去檢查2號男人。
如果發現2號男人sign()的答案是可以嫁，但實際上(統計中)二號男人不可以嫁，我們就要進行修正(讓2號男變得不可以嫁)。修正的方法如下：
新的w = 舊的w + 2號男人實際上可不可以嫁 * 2號男人的向量
其中，
- 2號男人實際上可不可以嫁：統計的結果，可嫁為+1，不能嫁為-1，2號男人在這裡的值為-1
- 2號男人的向量：(2號男人的心上人數, 2號男人的上進時數)
如此因為新的w加上得負的2號男人向量，可以使2號男人的分數變低，接著就這樣依序檢查3~50號男人。如果存在一條可以分隔可嫁/不可嫁男人的線，Novikoff(1962)證明用這樣的演算法可以在有限次數的反覆計算後得到答案。
結語
感知器其實是類神經網路的基礎，透過感知器可以使電腦在已知的資料中找到規則，並套用到未知的相關資料，以達到預測的效果。雖然在這裡只介紹結果非黑即白的基本感知器模型，不過它已經可以用來解決許多大型的應用問題。但值得注意的是，不是所有的問題都適合用機器學習來解決，例如許多已知可以套用公式的科學領域。
▲歐民大大畫了一大堆圖讓我了解sign()與實際結果的關係，以及分界線到底長什麼樣子
老實說這篇文章真的要感謝歐民大大的相助，因為光憑我一個人的能力我想我很難了解這些資料的內容。當然如果有不正確之處也歡迎各界指教，我寫的目的是在弄懂之後能幫助其他像我曾經一樣的人，不是要造成他們的誤解。
