一個線性的支持向量機（SVM）可以使用一條直線完美分開這兩個群組，因為這兩組數據在二維平面上是線性可分的。
然而，對於 3-NN（K最近鄰）分類器來說，情況就有所不同。如果我們選擇邊界附近的一些數據點，它們最近的三個鄰居中可能會包含不屬於其真實分類的數據點。這種情況下，3-NN 分類器將基於最近鄰的多數決原則，可能會錯誤地將這些數據點分類到鄰近的另一組中，從而無法完全正確地分群。
舉個例子，假設紅色點代表一個類別，藍色點代表另一個類別，且紅色點緊密地圍繞著藍色點的一個緊密集群。在這個集群的邊界上，有些紅色點可能會有一個或兩個藍色的最近鄰居，導致它們被 3-NN 錯誤分類。相對地，SVM 由於只根據支持向量（最難分的那些點）來決定分界線，可以無視這些局部密集的區域，進行更全局的優化，從而可以完美地劃分這兩個類別。
阿摩線上測驗
登入