線性分類器

如果輸入的特徵向量是實數向量

，則輸出的分數為：

其中

是一個權重向量，而f是一個函數，該函數可以通過預先定義的功能塊，映射兩個向量的點積，得到希望的輸出。權重向量

是從帶標籤的訓練樣本集合中所學到的。通常，"f"是個簡單函數，會將超過一定閾值的值對應到第一類，其它的值對應到第二類。一個比較複雜的"f"則可能將某個東西歸屬於某一類。

對於一個二元分類問題，可以設想成是將一個線性分類利用超平面劃分高維空間的情況： 在超平面一側的所有點都被分類成"是"，另一側則分成"否"。

作為最快分類器，線性分類器通常應用於對分類速度有較高要求的情況下，特別是當

為稀疏向量時。雖然如此，決策樹可以更快。此外，當

的維度很大時，線形分類器通常表現良好。如文本分類時，傳統上，

中的一個元素是文章所使用到的某個辭彙的出現的次數。在這種情況下，分類器應被適當地正則化。 ^[1] 

有兩種類型用來決定

的線性分類器。第一種模型條件機率

。這類的算法包括：

第二種方式則稱為判別模型（discriminative models），這種方法是試圖去最大化一個訓練集（training set）的輸出值。在訓練的成本函數中有一個額外的項加入，可以容易地表示正則化。例子包含：

注意：相對於名字，線性判別分析在分類學並不屬於判別模型這類。然而，當我們比較線性判別分析和另一主要的線性降維算法：主成分分析，它的名字則是有意義的。線性判別分析是一個監督式學習算法，會使用資料中的標籤。而主成分分析是一個不考慮標籤的非監督式學習算法。簡而言之，這個名字是一個歷史因素。

判別訓練通常會比模型化條件密度函數產生較高的準確。然而，在處理遺失資料時，使用條件密度模型通常是更為簡單的。

所有以上所列線性分類器算法，只要使用kernel trick都可被轉成在另一個向量空間的非線性算法。 ^[2] 

二次分類器是在機器學習中，使用二次曲面來將物件或事件分成兩個或以上的分類。 它是線性分類器的一般化版本。

統計分類考慮一個集合，每一個元素是一個對物件或事件觀察後所得的向量x，每一個都被分成y。 這個集合一般被稱為訓練資料。 問題是在於，要如何決定一個新的觀察項目其最好的類別應是哪一種。 對一個二次分類器，它假設其解會成二次關係，所以y是由以下來決定：

在特列的情況下，每個觀察牽涉到兩個測量項。 這意味着，這切分的平面將是圓錐曲線之一（如：直線、圓、橢圓、拋物線、雙曲線）。 ^[2]