线性分类器定义和局限性

线性分类器简单来说就是通过一个线性函数，计算输入数据属于每一个类别的分数，分数越高意味着是该类别的可能性越大。

如果用数学公式来表示，可以写作：$f(x)=wx+b$

其中，$x$ 为输入，在图像处理领域为图像的像素值
$f(x)$ 为输出，表示为输入图像对应每个类别的分数
$w$ 为权重，是需要学习的内容，表示为对某个位置以及某个通道像素值的“喜好”
$b$ 为偏移量，影响输出，但是并不与具体某个位置的输入像素值产生关系。

那么这种线性变换在分类任务中有什么局限性呢？
答案显而易见，如果测试图片中待分类物体的位置或者颜色发生变化，会导致分类错误。因为线性分类器的权重是与输入像素一一对应的。