在分类中，为什么决策边界是假设而不是训练集的性质？

Question

我开始在库瑟拉上看安德鲁·吴( Andrew )的ML视频。在分类课(在第三个视频中)中，他说了以下几行

“再一次，决策边界不是训练集的属性，而是假设和参数的属性。

但是，一旦有了参数θ，就定义了决策边界。“

我的问题：

1. 训练集和假设之间有什么区别？
2. 为什么决策边界是假设的属性，而不是训练集的属性？

Answer 1

你可以这样想：

对于任何给定的参数集，都有一个唯一的决策边界。因此，参数唯一地定义了决策边界。

另一方面，给定训练数据，不存在唯一的决策边界。基本上，您可以选择无穷无尽的不同决策边界，这些边界适合于任何一组数据。因此，数据不能唯一地定义决策边界，因此边界不能是数据的属性。

另一方面，正如他所指出的，您可以使用培训数据来选择参数，然后给出一个边界。但有很多方法可以做到这一点。