神经网络章节感知机部分 空间中任意一点到线性分割超平面的距离公式 解释说明
公式 8-3 的内容如下：
1
∣
∣
w
∣
∣
∣
w
⋅
x
0
+
b
∣
\frac{1}{||w||} |w \cdot x_0 + b|
∣∣w∣∣1∣w⋅x0+b∣
公式 8-3 的详细解释：
这个公式表示某个点 x 0 x_0 x0 到一个超平面的距离，其中：
- w w w 是感知机的权重向量。
- b b b 是感知机的偏置项（或阈值）。
- x 0 x_0 x0 是你要计算到超平面距离的点。
- ∣ ∣ w ∣ ∣ ||w|| ∣∣w∣∣ 表示权重向量 w w w 的 L2 范数，即 w w w 的长度（欧几里得长度）。
- w ⋅ x 0 w \cdot x_0 w⋅x0 表示向量 w w w 和点 x 0 x_0 x0 的点积。
公式的形式是通过点积 w ⋅ x 0 + b w \cdot x_0 + b w⋅x0+b 表示 x 0 x_0 x0 点相对于超平面的位置，然后通过除以权重向量 w w w 的 L2 范数来标准化，这样得到的就是该点到超平面的垂直距离。
解释步骤：
-
w ⋅ x 0 + b w \cdot x_0 + b w⋅x0+b：
- 这个表达式表示 x 0 x_0 x0 代入超平面方程 w ⋅ x + b = 0 w \cdot x + b = 0 w⋅x+b=0 后的值。它可以看作 x 0 x_0 x0 点相对于超平面的“签名距离”（带正负符号的距离）。如果结果为正，则点 x 0 x_0 x0 在超平面的一侧；如果为负，则在另一侧；如果为零，则点 x 0 x_0 x0 刚好位于超平面上。
-
∣ ∣ w ∣ ∣ ||w|| ∣∣w∣∣：
- ∣ ∣ w ∣ ∣ ||w|| ∣∣w∣∣ 是权重向量 w w w 的 L2 范数，即权重向量的欧几里得长度。它用于将点积结果进行标准化，使得我们得到的距离是点到超平面的垂直距离，而不是简单的点积结果。
-
1 ∣ ∣ w ∣ ∣ \frac{1}{||w||} ∣∣w∣∣1：
- 通过将点积结果除以 ∣ ∣ w ∣ ∣ ||w|| ∣∣w∣∣，我们消除了方向的影响，得到的是点 x 0 x_0 x0 到超平面的最短距离，而不是简单的欧几里得距离。这确保了无论 w w w 向量的大小如何，计算出的距离都能正确反映点到超平面的真实距离。
-
∣ w ⋅ x 0 + b ∣ |w \cdot x_0 + b| ∣w⋅x0+b∣：
- 绝对值符号消除了结果的正负号，使我们关心的只是距离的大小，而不是点位于超平面的哪一侧。
几何解释：
超平面可以看作是 n 维空间中的一个 ( n − 1 ) (n-1) (n−1) 维的分隔线或分隔面。公式 8-3 表示从点 x 0 x_0 x0 垂直到超平面的距离。这个公式给出的距离是经过标准化的，因此它独立于权重 w w w 的规模。
总结：
公式 8-3 给出了任意输入点 x 0 x_0 x0 到由权重向量 w w w 和偏置 b b b 所定义的超平面的垂直距离。这在感知机学习中很重要，因为我们希望通过调整权重和偏置，将误分类样本的距离缩短，从而将它们正确分类到超平面的一侧。