这听起来对我来说是正确的。人们有时也用“感知器”这个词来指代训练算法和分类器。例如，有人在回答这个问题时向我解释了这一点。此外，没有什么可以阻止您使用带有感知器的内核，这通常是一个更好的分类器。有关如何实现内核感知器的一些幻灯片 (pdf)，请参见此处。

（内核）感知器和 SVM 之间的主要实际区别在于感知器可以在线训练（即它们的权重可以随着新示例一次到达一个而更新）而 SVM 不能。有关是否可以在线训练 SVM 的信息，请参阅此问题。因此，即使 SVM 通常是更好的分类器，感知器仍然很有用，因为它们便宜且易于在新的训练数据不断到达的情况下重新训练。

支持向量机： 感知器

$$\min \|w\|_2 + C\sum_{i = 1}^{n}(1 - y_i(wx_i + w_0))_+$$ $$\min \sum_{i = 1}^{n}(- y_i(wx_i + w_0))_+$$

我们可以看到，SVM 与 L2 正则化感知器的目标几乎相同。

由于目标不同，我们对这两种算法也有不同的优化方案，从可以看出，这是使用二次规划来优化 SVM 的关键原因。$\|w\|_2$

为什么感知器允许在线更新？如果您看到铰链损失的梯度下降更新规则（SVM 和感知器都使用铰链损失），

$$w^t = w^{t-1} + \eta\frac{1}{N}\sum_{i = 1}^{N}y^ix^i\mathbb{I}(y^iw^tx^i \leq 0)$$

由于所有机器学习算法都可以看作是损失函数和优化算法的结合。

感知机不过是铰链损失（损失函数）+随机梯度下降（优化）

$$w^t = w^{t-1} + y^{y+1}x^{t+1}\mathbb{I}(y^{t+1}w^{t}x^{t+1} \leq 0)$$

而 SVM 可以看作是铰链损失 + l2 正则化（损失 + 正则化）+ 二次规划或其他更高级的优化算法，如 SMO（优化）。

感知器是 SVM 的推广，其中 SVM 是具有最佳稳定性的感知器。因此，当您说感知器不尝试优化分离距离时，您是正确的。