如果分类器在特征空间上的决策边界是线性函数，则分类器是线性的：正样本和负样本由超平面分隔。

根据定义，这就是 SVM 在不使用内核技巧的情况下所做的事情。

逻辑回归也使用线性决策边界。想象一下，您训练了一个逻辑回归并获得了系数。如果 ，您可能想要对测试记录进行分类。通过逻辑回归获得概率的地方： 如果你计算出你看到的数学，在特征空间上定义了一个超平面，它将正例与负例分开。$\beta_i$$\mathbf{x} =(x_1,\dots,x_k)$$P(\mathbf{x}) > 0.5$

使用 NN，您通常没有超平面。想象一些密集的正点区域。围绕这些点对测试实例进行分类的决策边界看起来像一条曲线，而不是超平面。$k$