在具有两个类别的统计分类问题中,决策边界或决策面是将基础向量空间划分为两组的超曲面,每个类别一个。 分类器会将决策边界一侧的所有点归为一类,并将另一侧的所有点归为另一类。 决策边界是问题空间中分类器的输出标签不明确的区域。如果决策面是超平面,则分类问题是线性的,并且类别是线性可分离的。 决策界限并不总是很明确。 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,其中一类或另一类的成员资格不明确。
AI从业者必须了解的决策树指南
AI前线
7+阅读 · 2019年1月14日
重温五条 AI 基础规律
雷锋网
1+阅读 · 2018年11月2日
一文详解支持向量机(SVM)
PaperWeekly
0+阅读 · 2020年12月11日
入选 CVPR 2020的旷视论文,到底写了啥?
【干货】任煜:商业中的愚直之道
混沌研习社广州分社
0+阅读 · 2018年3月26日
使用 TensorFlow 约束优化库设置公平性目标
TensorFlow
3+阅读 · 2020年3月17日
一文详解神经网络与激活函数的基本原理
PaperWeekly
1+阅读 · 2020年12月28日
参考链接
微信扫码咨询专知VIP会员