machine-learning - 在分类中，为什么决策边界是假设的属性而不是训练集的属性？

Question

我开始在 Coursera 上观看 Andrew Ng 的 ML 视频。在分类类(class)(第三个视频)中，他说了以下几行

“再一次强调，决策边界不是训练集的属性，而是假设和参数的属性。

但是一旦获得参数 theta，就可以定义决策边界。”

我的问题:

1. 训练集和假设有什么区别？

2. 为什么决策边界是假设的属性而不是训练集的属性？

Answer 1

你可以这样想:

对于任何给定的参数集，都有一个唯一的决策边界。因此，参数唯一地定义决策边界。

另一方面，给定训练数据，不存在唯一的决策边界。您基本上可以选择适合任何一组数据的无限多个不同的决策边界。因此，数据不能唯一地定义决策边界，因此边界不能是数据的属性。

另一方面，正如他所指出的，您可以使用训练数据来选择参数，然后为您提供一个边界。但有很多方法可以做到这一点。