支持向量分类器中的平面分离和决策边界有什么区别？

【问题标题】：What's the difference between plane separation and decision boundary in a support vector classifier?支持向量分类器中的平面分离和决策边界有什么区别？
【发布时间】：2020-05-10 21:19:55
【问题描述】：

我刚开始学习主要的 ML 算法，并从监督学习开始。我的课程一直将平面分离描述为向量（2D示例），将决策边界描述为两个类别之间的分离。

【问题讨论】：

标签： machine-learning svm

【解决方案1】：

平面分离对我来说不是一个标准术语。我猜想在这种情况下它曾经表示分离平面。在您的 2D 示例中，这将是分隔类的线（2D 平面）。

在线性 SVM 的情况下，分离平面通常也是您的决策边界。尽管您也可以改变所谓的决策阈值，从而将该平面移动到平行位置。对于非线性SVM，决策边界一般不再用平面表示，而是可以有更复杂的形状，如曲线等。

【讨论】：

所以橙色线既是因为它是二维平面。而超平面（多维）则是另一回事。谢谢老兄！