LawsonAbs的认知与思考，还请各位读者批判阅读。
总结
1.什么是感知机算法？
1.1 模型结构
对应的表达式就是：
1.2 性质
属于监督学习算法
比如在后面给出的实战代码中，我们给出了人名对应的性别，会根据这个预测是否准确去完成一次更新操作。
属于迭代式算法
每次读入一个样本，执行预测，将预测结果与正确答案进行对比，计算误差，根据误差更新模型参数。
2.有什么用途？
- 可以用于问题分类（ 二类线性分类器）
3.有什么利弊？
模型过于简单
参数较少的模型就容易出现**“不拟合”**的情况，同时，也会因为数个偏离点而对迭代更新的参数有很大的影响。从而难以准确的预测结果，造成较大偏差。
迭代偏差
这里说的迭代偏差是因为我们总是倾向于取最后一次迭代的模型。
每次迭代都产生一个模型，而且每个模型的对应的每个参数不一定相同。如果我们单纯的取最后一次迭代产生的模型作为“最优模型”的话，很有可能是 “补了西墙，拆了东墙”。
3.怎么改进？
针对上面叙述的问题，对应的改进方法有投票感知机和平均感知机，分别简单叙述一下。
3.1 投票感知机
3.1.1 思想
每次迭代都会产生一个不同参数的模型，那么这些模型间的准确率就不一样，把这个准确率称之为权重。根据各个模型的权重可以得到每个模型的加权平均值。根据各个模型的加权平均值与参数相乘，得到最终的一个模型。
3.1.2 缺点
- 计算开销大
- 存储开销大
3.2 平均感知机
3.2.1 思想
每次迭代都会产生一个不同参数的模型，最后得到的模型就取每次迭代模型的一个平均。【这个平均其实指的是模型参数的平均】【《自然语言处理入门》这本书中讲的是：取多个模型权重的平均。我不是很理解。】
3.2.2 特点
- 好实现
- 借助一定的方法【累积参数和，而不是傻傻的每迭代一次就算一次平均】，可以避免存储中间模型，可以以更少内存得到最终的模型
