答案是No。user20160有一个完美的答案，我将添加3个可视化的例子来说明这个想法。请注意，这些图可能对您查看“最终决策”是否为线性形式没有帮助，但可以让您对树、提升和 KNN 有所了解。

我们将从决策树开始。有许多分裂，它是一个非线性的决策边界。而且我们不能认为之前的所有拆分都是“特征转换”，最后有一个最终决策线。

另一个例子是boosting模型，它聚合了很多“弱分类器”，最终的决策边界不是线性的。您可以认为这是一个复杂的代码/算法来进行最终预测。

最后，考虑 K 最近邻（KNN）。它也不是末端层的线性决策函数。此外，KNN 中没有“特征变换”。

这是 2D 空间中的三个可视化（从上到下的 Tree、Boosting 和 KNN）。基本事实是 2 个螺旋线代表两个类别，左侧子图是模型的预测，右侧子图是模型的决策边界。

编辑：@ssdecontrol 在这篇文章中的回答给出了另一个视角。

这取决于我们如何定义“转换”。

将数据分成两部分的任何函数都可以转换为这种形式的线性模型，具有截距和单个输入（数据点在分区的哪个“侧”的指示符）。重要的是要注意决策函数和决策边界之间的区别。

一些算法使用超平面（即线性函数）来分离数据。一个突出的例子是逻辑回归。其他人使用超平面在非线性变换后分离数据（例如神经网络和具有非线性内核的支持向量机）。在这种情况下，决策边界在原始数据空间中是非线性的，但在数据映射到的特征空间中是线性的。在 SVM 的情况下，内核公式隐含地定义了这种映射。其他算法在数据空间的局部区域（例如决策树）中使用多个分裂超平面。在这种情况下，决策边界是分段线性的（但总体上是非线性的）。

然而，其他算法具有非线性决策边界，并且不是根据超平面制定的。一个突出的例子是 k 最近邻分类。集成分类器（例如，通过提升或装袋其他分类器产生）通常是非线性的。