单层感知机对于线性不可分的数据，学习过程也可以收敛。（)
举一反三
- 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
- 使用感知机模型的前提是（ ）。 A: 数据线性可分 B: 数据样本多 C: 数据样本少 D: 数据线性不可分
- 使用感知机模型的前提是（） A: 数据样本少 B: 数据线性可分 C: 数据线性不可分 D: 数据样本多
- 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。
- 若两类模式是线性可分的，即存在一个线性超平面能将它们分开，则感知机的学习过程一定会收敛。（ ）