感知器算法适用于（）的情况
举一反三
- 中国大学MOOC: 感知器算法适用于线性可分的情况。
- 下列关于感知器算法的说法中错误的是 A: 在感知器算法中的学习率是可以改变的 B: 在感知器算法中可以通过调整学习率p来减少迭代次数。 C: 在感知器算法中，如果样本不是线性可分的，则算法最后不会收敛。 D: 感知器算法也适用于线性不可分的样本
- 以下关于感知器算法说法错误的是 A: 即使训练数据集线性可分，感知器算法也不一定收敛 B: 当感知器算法存在多个解时，对于同一个训练集，感知器初始值不同，最后得到的解可能不同 C: 当训练集线性不可分时，袋式算法使感知机也可以收敛到一个相对理想的解 D: 多层感知机是感知机的推广，克服了感知机不能对线性不可分数据识别的弱点
- 单个感知器算法的局限是只能用于线性分类。
- 以下关于感知器算法说法正确的为 A: 只要是训练数据集线性可分，感知器算法就一定能收敛。 B: 感知机学习算法存在许多的解，对同一个训练集来说，感知机初值的选择不同，最后得到的解就可能不同。 C: 当训练数据集线性不可分的情况下，袋式算法(PocketAlgorithm)使感知机也可以收敛于一个相对理想的解。 D: 多层感知器是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。