我正在研究支持向量机,我想知道决策边界和最佳超平面之间有什么区别?它们似乎都被描述为分隔数据点所绘制的线。
最佳答案
线性支持向量机的决策边界是(仿射)hyperplane .
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,而是非线性超曲面(维度的曲面) n_features - 1
),其形状取决于内核的类型。
但是,核函数可以解释为引入从原始特征空间到某个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。这是video给出了多项式核函数两者之间关系的直观描述。
关于machine-learning - 决策边界和超平面有什么区别?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20669269/