线性模型详解：预测与决策函数在802.11-2016中的应用

线性模型是机器学习中的基础模型，它通过线性组合方式预测输入特征与输出之间的关系。在第3章中，该模型的核心是线性函数f(x, w) = wTx + b，其中w是权重向量，b是偏置。在回归任务中，目标是找到一个最佳的w和b，使得模型的预测值尽可能接近真实值。线性回归即是最简单的线性模型实例。 在分类问题中，由于输出通常是离散的类别标签，线性函数的连续输出不能直接对应于类别，所以需要引入决策函数g(f(x, w))，比如对于二分类问题，常见的决策函数是符号函数sgn(f(x, w))，根据f(x, w)的正负决定预测类别。当f(x, w)等于0时，模型会选择不进行预测。 在深度学习领域，如邱锡鹏教授的著作《神经网络与深度学习》中提到，线性模型作为深度学习的基础，虽然在某些情况下可能受限于表达能力，但它是理解更复杂模型如神经网络的起点。书中详细介绍了人工智能、神经网络的历史发展，以及机器学习中的表示学习和深度学习的概念，包括端到端学习和常用的深度学习框架，如神经网络的演变、机器学习的三个基本要素——模型、数据和学习算法等。 线性模型的简洁性和易于理解使其在实际应用中非常广泛，但随着数据复杂性的增加，非线性模型和深度学习技术逐渐成为主流，因为它们能够处理更为复杂的模式和关系。然而，理解线性模型仍然是学习和研究这些高级模型的重要基础，因为它提供了一种直观的方式来建立和解释预测模型。