Linear Separability

定义 Definition

线性可分性：指在分类问题中，数据（通常是两类）能否被一个线性边界（如二维中的直线、三维中的平面、更高维中的超平面）完全分开，使得不同类别落在边界的两侧。常用于机器学习、统计学习与感知机等主题中。（也可扩展到多类情形，但最常见表述是二分类。）

发音 Pronunciation (IPA)

/ˈlɪniər ˌsɛpərəˈbɪləti/

例句 Examples

The dataset shows linear separability, so a simple classifier works well.
这个数据集具有线性可分性，所以一个简单的分类器就能很好地工作。

If the classes lack linear separability, we may need kernel methods or feature engineering to separate them in a higher-dimensional space.
如果这些类别不具备线性可分性，我们可能需要核方法或特征工程，把它们映射到更高维空间中再进行分离。

词源 Etymology

linear 来自拉丁语 linea（“线、线条”），表示“线性的”。separability 源于 separate（分开）加上名词后缀 -ability（“……的能力/性质”），合起来字面意思就是“能否用直线（线性边界）把它们分开的性质”。该术语在模式识别与统计学习语境中被系统化使用，用来描述数据在特征空间中的可分结构。

文学与著作中的用例 Literary & Notable Works

Pattern Recognition and Machine Learning（Christopher M. Bishop）
The Elements of Statistical Learning（Trevor Hastie, Robert Tibshirani, Jerome Friedman）
Neural Networks and Learning Machines（Simon Haykin）
An Introduction to Statistical Learning（Gareth James 等）
“The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain”（Frank Rosenblatt，经典论文，相关讨论常涉及线性可分与不可分）