決策邊界
 | 此條目需要精通或熟悉相關主題的編者參與及協助編輯。 (2019年4月1日) |
 | 此條目需要補充更多來源。 (2019年4月1日) |
決策邊界或決策面（decision surface）是統計分類問題中的一個超曲面，把向量空間（作為特徵空間）劃分為兩個集合，分別對應兩個分類。[1]
如果決策面是超平面，那麼這個分類問題是線性的，分類是線性可分的。
神經網絡與支持向量機
人工神經網絡或感知器的反向傳播算法，網絡可學到的決策邊界的類型由隱含層數決定。
如果沒有隱含層，那麼只能學習線性問題。如有一個隱含層，使用萬能逼近定理可學到Rn的緊子集的任何連續函數，因此可學到任意的分類邊界。
支持向量機 能找到一個超平面，把特徵空間分為具有最大間隔的2個類。如果問題在最初不是線性可分的，通過核方法把它映射到高維空間變為線性可分。
神經網絡通過分類邊界學習來極小化經驗誤差（empirical error）。支持向量機 通過分類邊界學習來極大化經驗間隔（maximizes the empirical margin）。