岁月难得沉默，
夕阳挂在墙头舍不得我。
感知机算法
如果我们限制取值在$ [0,1]$ 之间的函数采取如下形式，
[egin{equation}
g(z)=left{
egin{array}{ll}{1} & { ext { if } z geq 0} \
{0} & { ext { if } z<0}end{array}
ight.
end{equation}
]
并采用相应配套的假设函数和更新公式，
[egin{equation}
h_{ heta}(x)=gleft( heta^{T} x
ight)=frac{1}{1+e^{- heta^{T} x}}
end{equation}
]
[egin{equation}
heta_j := heta_j+alpha left(y-h_{ heta}(x)
ight) x_{j}
end{equation}
]
则我们就得到了感知机算法（perceptron learning algorithm）。
尽管更新公式来形式上还是和线性回归和logistic回归相同。但实际上感知机算法和前两者是非常不一样的。首先它没有一个有意义的概率解释，因此也不能用最大似然法概率建模。在学习理论那里还要提这个算法。
