Machine learning 决策边界和超平面之间有什么区别？

我正在研究支持向量机，我想知道决策边界和最优超平面之间的区别是什么？它们似乎都被描述为分隔数据点的线。

当使用核函数时，决策边界将不再是一条直线

（它仍然是另一个可能是无限维空间中的超平面，但该空间实际上不会被计算或使用。）

a是一个超曲面，它将基础向量空间划分为两个集合，每个集合对应一个类。将小维空间中的一般超曲面转化为大维空间中的超平面

---

超平面和决策边界在小维空间是等价的，“平面”具有直线和平面的含义，因此它是分隔数据集的直线或平面。当您执行非线性操作以将数据映射到新的特征空间时，决策边界仍然是该空间中的超平面，但在原始空间中不再是平面。

线性支持向量机的决策边界是（仿射）

对于非线性核支持向量机，支持向量机的决策边界不是原始特征空间中的超平面，而是形状取决于核类型的非线性超曲面（维数

n_特征-1

）

---

然而，核函数可以解释为从原始特征空间到某些核空间的非线性映射。在核空间中，SVM的决策函数是一个超平面。下面是一个简单的例子，直观地描述了多项式内核中两者之间的关系。

这是一个Python问题吗？我使用的是scikit learn，一个Python模块。您的问题的哪一部分特定于scikit learn和Python，而不适用于任何svm？尝试选择精确且完全合适的标签，例如。此外，此类问题与编程无关，而是与数学/机器学习概念有关。因此，最好是询问超平面，这样超平面就不会决定类之间的分离了？超平面和决策边界在小维空间中是等价的，“平面”的含义是直线，因此它是一条线或一个平面，用来分隔数据集。当您执行非线性操作以将数据映射到高维度时，决策边界在该维度上仍然是一个超平面，但在原始数据维度上不再是一个平面。维度的大小并不重要。决定边界是否为超平面的内核类型（线性或非线性）。@ogrisel感谢您指出。为了避免混淆，我将单词改为“space”。非常感谢，视频特别有用！