感知机（perceptron）是一种二类分类的线性分类模型，也就是说，使用于将数据分成两类的，并且数据要线性可分的情况。线性可分是指存在一个超平面能够将空间分成两部分，每一部分为一类，感知机的目的就在于找这样的一个超平面。
假设输入数据形式为x = (x1,x2....xn),即所谓的特征向量。y代表输入数据的类别，为{+1，-1}，感知机的形式为f(x) = sign(w*x+b),当w*x+b>=0时，f(x)=+1,当w*x+b<0时，f(x)=-1.
f(x)就是我们对输入数据的分类，感知机的目的就在于找到合适的w和b，使得f(x)能正确分类。w是和x维数相同的向量（一个是行向量，一个是列向量），w是我们求的超平面的法向量，b是超平面的截距。
定义损失函数：误分类点到超平面的总距离（不定成误分类的点的个数是因为这样损失函数对w,b不是连续可导，不易优化），假设误分类点为0，那么总距离为0.
空间中任意一点到超平面的距离为|w*x+b|/(||w||),我们只要使得分子部分变成0就行。
对于误分类点（xi,yi)来说，如果w*xi+b>=0,本应该为+1，但是误分类的话yi=-1,如果w*xi+b<0,本应该为-1，但是误分类的话yi=+1,这样我们就能得到-yi(w*xi+b)>0,即我们可以使对误分类点的-yi(w*xi+b)求和，使之最小化，当然这里是指变成0.
那么具体是如何求w,b的呢？（下面是感知机算法的原始形式）
（1）首先任意选一个超平面w0,b0(w是向量，里面元素都为0)
（2）然后采用梯度下降法不断的极小化目标函数，在这里具体来说就是每次取一个误分类的点（xi,yi）,令w = w+nyixi,b = b+nyi, 可以这么理解，每当有一个误分类点，我们就把平面往这个误分类点的方向移动一些，使得它能够被正确分类，0<n<=1,n被称为学习率
（3）重复步骤2，直至没有误分类点，即损失函数为0.
当数据是线性可分的时候，可以证明感知机学习算法是收敛的，不过证明方面一直看不懂= =。。。