决策边界（decisionboundary）的理解
1.在具有两个类的统计分类问题中，决策边界或决策表⾯是超曲⾯，其将基础向量空间划分为两个集合，⼀个集合。 分类器将决策边界⼀侧的所有点分类为属于⼀个类，⽽将另⼀侧的所有点分类为属于另⼀个类。
刑警工资总体来说的的话，决策边界主要有线性决策边界(linear decision boundaries)
花书签
和⾮线性决策边界(non-linear decision boundaries)
促销公司
决策边界是问题空间的区域，分类器的输出标签是模糊的。如果决策表⾯是超平⾯，那么分类问题是线性的，并且类是线性可分的。
决策界限并不总是明确的。 也就是说，从特征空间中的⼀个类到另⼀个类的过渡不是不连续的，⽽是渐进的。 这种效果在基于模糊逻辑的分类算法中很常见，其中⼀个类或另⼀个类的成员资格是不明确的。
小龙虾养殖方法和环境2.在基于反向传播的⼈⼯神经⽹络或感知器的情况下，⽹络可以学习的决策边界的类型由⽹络具有的隐藏层的数量来确定。如果它没有隐藏层，那么它只能学习线性问题。如果它有⼀个隐藏层，则它可以学习Rn的紧致⼦集上的任何连续函数 ，如通⽤近似定理所⽰，因此它可以具有任意的决策边界。
入党宣誓仪式流程
特别地，⽀持向量机找到超平⾯，其将特征空间分成具有最⼤余量的两个类。如果问题最初不是线性可分的，则通过增加维数来使⽤内核技巧将其转换为线性可分的问题。因此，⼩尺⼨空间中的⼀般超曲⾯在具有更⼤尺⼨的空间中变成超平⾯。
狗五行属什么神经⽹络试图学习决策边界，最⼩化经验误差，⽽⽀持向量机试图学习决策边界，最⼤化决策边界和数据点之间的经验边际。
3.与Logistuc Regression相⽐，SVM是⼀种优化的分类算法，其动机是寻找⼀个最佳的决策边界，使得从决策边界与各组数据之间存在margin，并且需要使各侧的margin最⼤化。⽐较容易理解的是，从决策边界到各个training example的距离越⼤，在分类操作的差错率就会越⼩。因此，SVM也叫作Large Margin Classifier。
水果刀试题分析最简单的情况是，在⼆维平⾯中的，线性可分情况，即我们的training t可以⽤⼀条直线来分割称为两个⼦集，如下图所⽰。⽽在图中我们可以看到，H2和H3都可以正确的将training t进⾏分类，但细细想来，使⽤H2进⾏分类的话，我们对于靠近蓝线的⼏个训练样例其实是不敢说100%的，但对于离蓝线最远的⼩球，我们却很有把握。这也是H3这条SVM红线出现的原因：尽量让两侧的训练样例远离决策边界，从⽽让我们的分类系统有把握对每个球Say Absolutely。
