针对线性可分的训练集的非线性分类器

Question

我正在考虑在线性分离的标记（足够大）数据集上训练非线性分类器时隐藏的风险。

我们可以提出的主要分类误导是什么？一些例子？

Answer 1

在bias-variance tradeoff中，非线性分类器通常具有比线性分类器更大的方差。如果数据集是通过线性可分离的过程生成的，但测量结果很嘈杂，那么它将更容易过度拟合。

但是，如果数据集足够大且分类器是无偏的，那么非线性分类器最终会有效地产生分离超平面。