给定数据集，权值 以及阈值 可通过学习得到。由 将 视作权值 ，且 。则上式中可整合成

学习方法如下：对训练样例 ，若当前感知机的输出为 ，则感知机权重 按照如下方法来调整

其中 称为学习率（learning rate），通常取一个较小的正数。

• 若预测正确，即 ，则 不发生变化
• 若预测错误，则根据错误程度对 进行调整。

感知机只有输出层神经元进行激活函数处理，即指拥有一层功能神经元，其学习能力非常有限。事实上，上述与、或、非问题都是线性可分的问题。

可以证明，若两类模式是线性可分的，即存在一个线性超平面能将他们分开，则感知机的学习过程一定会「收敛」（Converge）而求得适当的权重向量 。对于非线性可分问题，其学习过程将发生「振荡」（Fluctuation），得不到合适的解。

要解决非线性可分，则需要考虑使用多层功能神经元构建多层神经网络