Bishop 的感知器损失

一方面，在 Chris Bishop 的书（模式识别和机器学习）的方程 4.54 中，感知器算法的损失函数由下式给出：

$${E_p}(\mathbf{w}) = - \sum\limits_{n \in M} {{\mathbf{w}^T}{\phi _n}} {t_n}$$

在哪里 $M$ 表示所有错误分类数据点的集合。

原始感知器损失

另一方面，由 Frank Rosenblatt 撰写的原始感知器论文中使用的损失函数由（维基百科）给出：

$${1 \over s}\sum\limits_{j = 1}^s {\left| {{d_j} - {y_j}\left( t \right)} \right|}$$ 当翻译成毕晓普书的符号时，由下式给出：

$${1 \over N}\sum\limits_{n = 1}^N {\left| {{t_n} - {\mathbf{w}^T}{\phi _n}} \right|}$$ 在哪里$N$表示所有数据点的集合。

我的问题

我的问题是，为什么 Bishop 的 Perceptron loss 版本与原始论文不同？考虑到 Bishop 的书是机器学习领域公认的书籍，我们可以称它为 Bishop 的 Perceptron 吗？！

Scikit-learn 的实现

顺便说一句，Scikit-learn 似乎使用了 Bishop 版本的感知器损失（Scikit-learn 文档）。从下面的公式和图中可以看出：

-np.minimum(xx, 0)

对于一个样本，它减少到：

$$- \min \left( {0,{\mathbf{w}^T}{\phi _n}{t_n}} \right)$$