给定训练数据（1，2，+1），（0，0，-1），求其最大边缘线形决策边界

首先，我们需要明确最大边缘分类器的定义：它是一种基于最大边缘准则的分类器，通过最大化正负样本的间隔来确定决策边界。对于线性可分的数据，最大边缘分类器可以得到一个唯一的决策边界。

对于给定的训练数据，我们可以将其表示为一个二维空间中的两个点：(1, 2) 和 (0, 0)。根据最大边缘分类器的定义，我们需要找到一个直线，它能够最大化正负样本之间的间隔，同时能够将正负样本完全分开。

思路如下：

1. 首先，我们需要将数据转换为向量形式，即 (1, 2, +1) 可以表示为 (1, 2)，+1，(0, 0, -1) 可以表示为 (0, 0)，-1。

2. 接着，我们需要确定一个决策边界，可以表示为 w * x + b = 0，其中 w 是一个向量，x 是数据点的向量表示，b 是一个常数偏移量。

3. 根据最大边缘准则，我们需要最大化 w 的范数，即 ||w||，同时满足正负样本之间的间隔最大，即 min(y(wx + b))，其中 y 是数据的类别标签，取值为 +1 或 -1。

4. 可以使用拉格朗日乘子法来求解上述问题，得到 w = (2, 1) 和 b = -2，决策边界为 2x + y - 2 = 0。

因此，最大边缘线性分类器的决策边界为 2x + y - 2 = 0。