Road Map
机器学习算法A会看资料D和假设集合H，然后在H里面选一个g。现在我们来看机器是如何处理是非题。（二分类）
What hypothesis can we use?
那么我们的来看一个模型，看看这个H长什么样。
用户的申请表
x = （x1,x2,...,xd)，这些是features of customer， 乘上一个权重w，来计算score。
判定规则
y:{+1（good），-1（bad）}。
通过将右边的threshold移到左边就可以知道，如果左边项 > 0，那么 y=1；如果左边项 < 0，那么y=-1。这也可以用sign函数来表示。（这里如果左边项 = 0，其实这个不重要，y可以随便等于1或者-1）
Perceptron
上面的这个公式叫做感知机Perceptron，h与w和threshold有关，不同的w与threshold取值就可以确定不同的h。（w是一个矩阵）
下面进行一个符号上的简化。
简化步骤
具体来看一下h。
二维空间里的感知器
x：在平面上的点（这个点在d维空间里）
y：O（+1），X（-1）
h：lines（或者是在d维空间里的超平面）
h的一边是预测成+1，另一边是预测成-1。
（问题：这里的h是H吗?这里的d维空间或者d+1维空间需要分得很清楚吗，因为前面刚才提到过x0和w0）
习题：
习题
答案是2。+1代表的spam。如果想要很大的权重，说明这些单词在spam里面经常出现的。
