超平面数学解释
w™x+b=0 ™是转置的意思，找不到别的符号了QAQ
w是权重(weight)(列向量)，是一个向量；
x是特征向量(列向量)，比如一个对象有两个特征，那么x=[x₁，x₂]
这时我们说x的维度是2；
w的维度与x的维度一致；
b是偏置(bias)，是一个常数；
- 问题：如何将○和×进行分类？
正如上图所示，我们画一条直线，在直线左边的是○，在直线右边的是×。
而x₁、x₂则是我们从○和×中提取出来的，能区分它们的特征，记作x=[x₁,x₂]。
也就是说，只要我们找到这条直线，我们就能区分○和×了。
(PS：细心的你一定发现，红色直线和蓝色直线都能区分○和×，只不过红色是最优的那条直线) - 直线方程
我们都知道，直线方程的一般式是，Ax+By+C=0。
结合上图并且为了更加简洁，我们可以改写成：
w™x+b=0
w=[w₁,w₂] (这里对应A，B)
x=[x₁,x₂] (这里对应x，y)
- 平面方程 （空间几何的平面方程）
平面方程的一般式是这样的：Ax+By+Cz+D=0
按照上述逻辑，我们依然可以写成：
w™x+b=0
只不过此时特征向量x以及权重w里面有三个值
- 超平面
我们向更高维度拓展，当特征向量x有n个维度时，我们依然写成：
w™x+b=0
PS：直线->平面->空间->超平面
-
机器学习
特征向量x是我们提取特征时所量化的数据，是已知的。
所以机器学习做的事情就是通过数据和算法，找到合适的(w,b)，以此获得"最优"的模型 -
拓展
不是所有对象都能通过一条简单的直线，平面来进行分类的；换句话说，大部分对象都只能被非线性模型区分，这里只讨论直线只是为了好讲述
PS： 这是我结合胡老师的讲解以及自己的一些看法所写出来的，如果文中有错误的地方，还请大家及时提醒，谢谢。
附上胡老师的视频链接https://www.bilibili.com/video/av77638697?from=search&seid=16495912457184401210 (●ˇ∀ˇ●)