决策边界 - 维基百科，自由的百科全书

此條目需要精通或熟悉相关主题的编者参与及协助编辑。 (2019年4月1日) 請邀請適合的人士改善本条目。更多的細節與詳情請參见討論頁。

此條目需要补充更多来源。 (2019年4月1日) 请协助補充多方面可靠来源以改善这篇条目，无法查证的内容可能會因為异议提出而被移除。 致使用者：请搜索一下条目的标题（来源搜索："决策边界" — 网页、新闻、书籍、学术、图像），以检查网络上是否存在该主题的更多可靠来源（判定指引）。

决策边界或决策面（decision surface）是统计分类问题中的一个超曲面，把向量空间（作为特征空间）划分为两个集合，分别对应两个分类。^[1]

如果决策面是超平面，那么这个分类问题是线性的，分类是线性可分（英语：linearly separable）的。

人工神经网络或感知器的反向传播算法，网络可学到的决策边界的类型由隐含层数决定。

如果没有隐含层，那么只能学习线性问题。如有一个隐含层，使用万能逼近定理（英语：Universal approximation theorem）可学到Rⁿ的紧子集的任何连续函数，因此可学到任意的分类边界。

支持向量机 能找到一个超平面，把特征空间分为具有最大间隔（英语：maximum-margin hyperplane）的2个类。如果问题在最初不是线性可分的，通过核方法把它映射到高维空间变为线性可分。

神经网络通过分类边界学习来极小化经验误差（empirical error）。支持向量机 通过分类边界学习来极大化经验间隔（maximizes the empirical margin）。