“分类”是今天机器学习中最常见的应用之一，下一章会详细探讨这个问题。这里不妨先简化一下，按照最简单的 0-1 分类来理解，分类是指经过神经网络处理后，对符合特定特征的输入数据输出为 1，不符合的输出为 0。
逻辑与、或、非运算本身也可以视为一种最基本的分类操作，因此，即使对于仅由单个 M-P 神经元构成的感知机而言，也具备分类能力。例如，以图 4-16 所示的 M-P 神经元为例，通过调节连接线权重，切换成不同的逻辑运算，便可以对输入数据进行 0-1 分类。
● 令 $w _ { 1 } = w _ { 2 } = 1$ ，阈值 = 2，则 $y = f \left( \ 1 \times x _ { 1 } + \ 1 \times x _ { 2 } - 2 \ \right)$ ），仅在 $x _ { 1 } = x _ { 2 }$ 时才有 $y = 1$ ，否则 $y = 0$ ，即“逻辑与”的效果。
● 令 $w _ { 1 } = w _ { 2 } = 1$ ，阈值 = 0.5，则 $y = f \left( \ 1 \times x _ { 1 } + \ 1 \times x _ { 2 } { - } 0 . 5 \ \right)$ ，仅在 $x _ { 1 } = 1$ 或者 $x _ { 2 } = 1$ 时才有 y = 1，否则 $y = 0$ ，即“逻辑或”的效果。
● 令 $w _ { 1 } = - 0 . 6 , w _ { 2 } = 0$ ，阈值 = -0.5，则 $y = f \left( - 0 . 6 \times x _ { 1 } + 0 \times x _ { 2 } + 0 . 5 \ \right)$ ，在$x _ { 1 } = 1$ 时有 $y = 0$ ，在 $x _ { 1 } = 0$ 时有y = 1，即“逻辑非”的效果。
而对于更一般的情形，由多个 M-P 神经元组成的单层感知机可以将输入数据集中两类线性可分的数据，以一个超平面<sup>○一</sup>划分开来<sup>○二</sup>。上面的单个 M-P 神经元分割数据的例子，只是其中最简单的一个特例，相当于二维平面上的数据被一条直线分割成两个区域。
第 4 章 连接主义学派
129
○一 超平面是二维平面中的直线、三维空间中的平面在N维欧氏空间中的推广。
○二 讽刺的是，“感知机相当于以超平面划分数据”这个命题的严格数学证明并不是罗森布拉特给出的，而是明斯基和派普特在《感知机：计算几何学导论》中完成的。