MVP Demo 07
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
经典机器学习：机器如何从数据中学习决策边界？
机器如何从数据中学习分类边界？
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。
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
本案例用预设二维点和边界说明归纳偏置，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