机器学习—SVM（支持向量机）、PLA（感知机）、LDA（线性判别分析）

硬分类方法是通过明确的决策边界来进行判断，直接将样本划分为+1与-1两类，具体如下：

当w与x被定义为向量形式时，若其索引取值范围为0、1、2、……、n，则在i=0的情况下，w0x0所代表的即为阈值项。若不存在该阈值项，则所确定的超平面将必然通过坐标原点。

1. 线性SVM

核心理念：几何间隔

目的：确定几何间隔margin，用于解决线性可分问题，具体信息请参见SVM介绍。

针对非线性问题的应对策略为：非线性VM

2、PLA

思想：以误差为驱动，依据输出结果与预期值之间的偏差来调整参数。

目标：确定超平面wx+b，用于解决线性可分问题，具体实现步骤如下：

针对非线性问题的处理方式为：采用神经网络

3、LDA

思想：类别之间的差异显著，类别内部的相似性较高（具备高内聚性与松耦合特性）

目标：确定最优的映