在上一篇文章：
我们详细介绍了线性感知机算法模型，并使用pyhon实例，验证了PLA的实际分类效果。下图是PLA实际的分类效果：
但是，文章最后我们提出了一个疑问，就是PLA只能解决线性可分的问题。对于数据本身不是线性可分的情况，又该如何解决呢？下面，我们就将对PLA进行优化，以解决更一般的线性不可分问题。
1 Pocket PLA是什么
首先，我们来看一下线性不可分的例子：
如上图所示，正负样本线性不可分，无法使用PLA算法进行分类，这时候需要对PLA进行优化。优化后的PCA的基本做法很简单，就是如果迭代更新后分类错误样本比前一次少，则更新权重系数 w ；没有减少则保持当前权重系数 w 不变。也就是说，可以把条件放松，即不苛求每个点都分类正确，而是容忍有错误点，取错误点的个数最少时的权重系数 w 。通常在有限的迭代次数里，都能保证得到最佳的分类线。
这种算法也被称为「口袋PLA」Pocket PLA。怎么理解呢？就好像我们在搜寻最佳分类直线的时候，随机选择错误点修正，修正后的直线放在口袋里，暂时作为最佳分类线。然后如果还有错误点，继续随机选择某个错误点修正，修正后的直线与口袋里的分类线比较，把分类错误点较少的分类线放入口袋。一直到迭代次数结束，这时候放在口袋里的一定是最佳分类线，虽然可能还有错误点存在，但已经是最少的了。
2 数据准备
该数据集包含了100个样本，正负样本各50，特征维度为2。
3 Pocket PLA代码实现
首先分别对两个特征进行归一化处理，即：
其中，迭代次数为100次，每次迭代随机选择一个错误点进行修正，修正后的分类线错误率与之前的分类线比较，若错误率较低，则选择修正后的分类线。继续进行下一次迭代。
迭代完毕后，得到更新后的权重系数 w ，绘制此时的分类直线是什么样子。
4 PLA的损失函数分析
我们知道，任何一个机器学习问题包含三个方面：模型、策略、算法。从策略来说，无论是PLA还是Pocket PLA，使用的损失函数是统计误分类点的总数，即希望误分类点的总数越少越好，属于0-1损失函数「0-1 Loss Function」。但是，这样的损失函数不是参数 w 的连续可导函数。
从算法实现上来看，PLA每次不断修正错误点，修正公式为：
修正公式的推导，我们在上一篇文章中已经详细解释过。数学上可以证明，PLA算法是收敛的。
而对于分类问题，常见的损失函数一般为交叉熵损失函数「Cross Entropy Loss」。其表达式为：
、
对比起来，PLA和交叉熵损失函数的修正公式具有相似性，不同的是PLA没有引入学习因子η和梯度。
以上内容对比了PLA和一般分类问题在策略和算法上的差异性。其实，红色石头想说的是，抓住本质最为重要，知道了不同的策略和方法，搭配不同的机器学习模型，只要能解决实际问题，都是可以的。也就是说我完全可以使用平方误差来作为分类问题的策略，从理论上讲是可行的。千万不要在解决问题时，只固定一种思路。
5 总结
PCA是机器学习最简单的算法之一。PLA处理线性可分问题，优化的PLA解决线性不可分的问题。实际验证表明，一般的PLA处理线性可分及线性不可分问题都有不错的表现，即一般能得到最佳的分类直线。但是PLA过于简单，有其本身的局限性。
