感知机模型
模型：
其数据集是线性可分的
策略：
策略就是求误分类点到我找到的分离平面的距离（量化）
算法：
第一种方法：随机梯度下降法
对偶形式的算法：
对哦算法更新的内容少了
算法收敛性
给定一个约束，使得参数的二范数是1.
第一个公式证明，只要另r等于前面那个最小的就行。
第二个公式的证明：
k是误分类点修正的次数，它是有上界的。
分成两小步来证明：
第二小步证明二范数：（也就是这个向量的长度）
首先，向量和的二范数拆解
中间因为yi是未分类点，所以进行放缩，而且R是xi的最大值，也可以进行放缩
下一步是柯西不等式，因为之前约束了opt的二范数是1
所以结合刚才求出来的两个不等式，说明误分类的次数是收敛的，所以进行优先布置后，训练激荡中所有势力都可以进行正确分类。
随机梯度下降法
会选择一个误分类点来更新参数，而不是梯度下降的所有的数据点。
因为你跟新第一个数据点的时候，可能其中某一个数据点已经是正确分类了，你就不需要再进行计算梯度，然后求和了。