Demo 04
经典机器学习：机器如何从数据中学习决策边界？
经典机器学习从手写规则转向数据驱动。这个章节展示样本、模型复杂度和决策边界之间的关系。
教学型交互案例
决策边界探索
机器如何从数据中学习分类边界？
- 正类样本
- 负类样本
- 可拖动的负类异常点
线性模型学习一条简单分界线
线性边界稳定、可解释，但表达能力有限。
移动异常点会改变当前边界；越灵活的模式弯曲得越明显。这里展示的是敏感性直觉，并非真实训练过程。
学习目标
- 理解经典机器学习如何从样本中学习决策边界。
- 比较线性、非线性和过拟合边界的归纳偏置。
- 观察异常点如何影响模型边界和泛化风险。
简化说明
本案例让预设边界按异常点位置和模式敏感度产生教学型变化，用于说明归纳偏置；它不训练真实模型，也不代表真实分类器性能。
观察指南
模型不是背规则，而是在样本中学习分界
它之前的问题是规则无法覆盖所有情况。经典机器学习解决了从数据归纳规律的问题，但没有自动解决特征设计、泛化、偏差和过拟合。后续影响是 SVM、树模型、集成学习和深度学习。
参考资料
Concept Check
用一个问题检验核心直觉
自测只帮助你检查理解，不影响继续学习。记录仅保存在本设备。