感知机
感知机是一种最简单的线性二分类模型。
下图为一个感知机的基本结构。
其中，in1，in2，inn叫做感知机的输入，而out是感知机的输出，且只有0和1两个值。
在中间的圆球中：
还会有一个∑wixi和b两个参数。
Σwixi是权重参数，b是偏置参数，而这个圆球就是一个神经元。
当输入信号进入后，会与权重w相乘，得到信号的加权和之后与b进行比较，如果大于b则输出1，
否则输出0。
当输出y=1的时候为正类，y=0的时候为负类。
感知机与逻辑电路
二输入感知机有：
与门、或门。
对应C语言的逻辑与和逻辑或一样。
多层感知机
例如异或门没有办法使用一条直线进行完全正确的线性分类，这就需要用到多层感知机。
例如在异或门中用到了两个与门和一个或门。
即："先与后或"。
两层感知机可以实现对非线性异或逻辑的区分，得到的分类线也不再是一条直线了，而是一条曲线。
逻辑回归
感知机是神经网络的基础，多层感知机与神经网络非常相似。
逻辑回归模型可以看作是感知机模型的优化，也可以看成一种最简单、最基本的神经网络模型。
阶跃函数：
g(s) =
1，s>0
0，s<=0
但是阶跃函数有一个缺点，就是在s = 0处是不可导的，无法计算梯度。
因此我们使用Sigmoid函数来将阶跃函数g(s)模型简单化。
表达式为：
Sigmoid函数特点：
s = 0:g(s) = 0.5
s > 0:g(s) > 0.5
s < 0: 0 < g(s) < 0.5
损失函数
逻辑回归模型最后经过Sigmoid函数，输出一个概率值，这个概率值反映了预测为正类的可能性，概率越大，可能性越大。
则我们用
y = P(y=1|x)
其中y表示当前样本为正类(y=1)的概率。