感知机是一种线性分类，属于判别式模型，在机器学习中还有一种是生成式模型（generative model）。感知机以及其对偶形式是神经网络和支持向量机的基础。下面我将具体介绍感知机的原始形式及其对偶形式：

一、原始形式

感知机的要求就是找得一个超平面S，超平面的表达式为S=Wx+b，因此我们可以将任务简化成找到参数W和b即可。

原始形式很容易理解，具体的参见李航教授的《统计学习基础》。，最小化损失这个函数，文中采用的随机梯度下降（SGD），每次选取一个误分类点进行修改权值。算法形式很简单，

二、对偶形式

对偶形式的定义，不在此多讲。具体来看书中的算法

一开始的时候 ，我也感到很耐们，主要困惑的点在于以下两个方面：

1.为什么权重可以表示成ayx的形式，

2.为什么进行迭代的时候 ，只需要修改阿尔法a的值。

下面就来简单的说说我的理解：

感知机的模型很简单，简而言之就是一开始的时候不管原始数据分布，假设数据分布为二维，那么我们先画一条直线，然后观察哪一点在这条直线（即超平面）的划分下是不正确的，只要有一点不满足分类结果，OK，我们就针对这一点进行调整参数，这就是进行了一轮迭代。下面我们来看一下具体的过程，一开始的权重值为w=0，b=0，因此假设找到了划分不正确的某一点（Xi，Yi），那么权重调整的结果就是（nXiYi，nYi），因此第二轮迭代之后，找到了另外一点不符合分类结果的数据，就要继续调整，调整过程无非是加上或者减去相应的学习率乘以相应的坐标点。

这就是原始形式，那么这样的算法过程有什么缺点以及该怎么优化呢？这才是我们感兴趣的地方。缺点在于每次迭代过程必须用所有的点和权重参数做乘法，来判断是否符合分类结果。因此这就出现了重复计算的问题。

因此感知机的对偶形式就是对所有的参数点进行内积操作，将其结果保存在一个名为gram矩阵中，那么权重的判断只需要调用相应的索引值即可，并且权重的数值可以用参数点的线性组合表示。每次出现不符合结果的参数电，只需对这个点前面的数值（即a）进行修改，具体的就是加上相应的学习率。这就能够简化计算了。

因此这就是我对于感知机的原始形式和对偶形式的理解。