数据集概述
本数据集包含感知器在不同条件下概率匹配行为的实验数据，涉及条件独立性和线性不可分性对感知器性能的影响。数据基于两项模拟实验：一是多线索独立条件下的概率匹配学习，二是线索交互（逻辑组合）及奖励大小变化条件下的性能分析，旨在探究感知器处理输入信号独立性的机制。
文件详解
- 文件名称：DawsonGupta.zip
- 文件格式：ZIP（压缩包）
- 字段映射介绍：压缩包内包含感知器概率匹配实验的相关数据，具体内容需解压后查看，推测涵盖模拟实验的输入参数、感知器输出结果、奖励概率计算数据等（无预览信息，以实际解压内容为准）。
数据来源
论文“Probability matching in perceptrons: effects of conditional dependence and linear nonseparability”
适用场景
- 神经网络行为研究：分析感知器在概率匹配任务中的学习机制和行为模式。
- 输入信号独立性分析：探究条件独立性对感知器处理多线索信息的影响。
- 线性不可分问题研究：验证感知器在逻辑组合（AND/XOR）等线性不可分任务中的性能表现。
- 奖励机制对模型性能的影响：研究奖励大小变化与感知器概率匹配准确率的关联。
