下载掌阅APP，畅读海量书库
立即打开
在本章中，我们很好地理解了监督学习线性分类器的基本概念。在实现了感知机之后，学习了如何使用向量化的梯度下降、随机梯度下降（在线学习）训练自适应线性神经元。
现在，我们已经了解了如何在Python中实现简单的分类器，这将为学习下一章做好准备。下一章将使用基于Python的Scikit-Learn机器学习库实现更高级、更强大的在学术界和工业界都常用的机器学习分类器。
用于实现感知机和Adaline算法的面向对象编程方法有助于理解Scikit-Learn中的API，因为Scikit-Learn中API的核心概念与本章使用的面向对象编程相同，都使用fit方法训练模型，使用predict方法预测。基于这些核心概念，我们将学习用于建模分类概率的逻辑回归和用于处理非线性决策边界的支持向量机。此外，还将介绍另一种类型的监督学习算法，即基于树的算法。通常可以组合多个基于树的算法成为更稳健的集成分类器。