總結：感覺機是一個二分類線性分類模型，旨在用一個超平面将資料線性劃分。
一、模型
感覺機使用的函數是：f(X)=sign(w*X+b)，sign是符号函數，sign(x)表示如果x>0則為1，x<0則取-1。
幾何意義就是一個超平面S，将空間分為兩部分，一部分為正、一部分為負
（感覺機隻适合線性可分的資料集）
二、政策
誤分類點到超平面S的距離和作為損失函數（為了友善計算，真正的損失函數做了一些調整）
誤分類點到超平面距離：
等價于：
求和，去掉常數項||w||，得到損失函數：
三、算法
1、原始形式
首先任取一個超平面，w0、b0，然後采用梯度下降法不斷優化目标函數（使損失函數極小）
損失函數的梯度：
算法步驟：1）選取初值w0、b0
2）在訓練集中選取資料(xi,yi)
3）如果yi(wxi+b)<=0，即該點為誤分類點，則進行梯度下降：
4）轉到（2）直到訓練集中沒有誤分類點
2、對偶形式
由原始形式可以發現，算法主要是在誤差點處通過
修改w和b的值。
假設誤差點修改次數為ni次，那麼w，b關于點（xi,yi）的增量分别為aiyixi，aiyi (ai=ni*學習率）
那麼:
把w、b用上式帶入，就可以得到對偶形式方法。
算法步驟：1)a<-0,b<-0（其中a = (a1,a2....an)T）
2）選取點(xi,yi)
3）如果
,說明是誤分類點，則：
ai<-ai+學習率
b<-bi+學習率
4）轉至2）直到沒有誤分類點
由于對偶形式中訓練資料僅以内積形式出現，是以可以預先計算出内積并以矩陣形式存儲，這就是Gram矩陣