线性模型和非线性模型的区别，以及激活函数的作用

线性模型和非线性模型的区别？

a. 线性模型可以用曲线拟合样本，线性模型可以是用曲线拟合样本，但是分类的决策边界一定是直线的，例如logistics模型（广义线性模型，将线性函数进行了一次映射）。

b. 区分是否为线性模型，主要是看一个乘法式子中自变量x前的系数w,如果w只影响一个x，那么此模型为线性模型。或者判断决策边界是否是线性的
举例：
\[y=\frac{1}{1+e^{w_0+w_1*x_1+w_2*x_2}}\]

画出y和x是曲线关系，但是它是线性模型，因为x1*w1中可以观察到x1只被一个w1影响

\[y=\frac{1}{1+w_5*e^{w_0+w_1*x_1+w_2*x_2}}\]

此模型是非线性模型，观察到x1不仅仅被参数w1影响，还被w5影响，如果自变量x被两个以上的参数影响，那么此模型是非线性的！

c. 其实最简单判别一个模型是否为线性的，只需要判别决策边界是否是直线，也就是是否能用一条直线来划分

引申问题: 神经网络激励函数的作用是什么？

神经网络激励函数的作用是什么？有没有形象的解释？ - lee philip的回答 - 知乎
https://www.zhihu.com/question/22334626/answer/21036590

总结：sigmoid激活函数可以引入非线性因素，让模型学习到一个分类平面，得到一个非线性的决策边界，如下图

举例：

线性模型：LR

Logistic Regression模型是广义线性模型，因为 logistic 回归的决策边界（decision boundary）是线性的：

LR是线性模型，可以理解为将普通的线性模型的结果映射到一个（0,1）的区间而已，然后划分一个界限（0.5）

非线性模型：神经网络

虽然神经网络的每个节点是一个logistics模型，但是组合起来就是一个非线性模型。
此处我们仅仅考虑三层神经网络

第一层的表达式：
\[y1=\frac{1}{1+e^{w_0+w_1*x_1+w_2*x_2+w_3*x_3}}\]
\[y2=\frac{1}{1+e^{w_4+w_5*x_1+w_6*x_2+w_7*x_3}}\]
第二层的表达式：
\[z=\frac{1}{1+e^{k_1+k_2*y_1+k_3*y_2}}\]
将第一层的表达式带入第二层表达式中，可以观察到x1变量不仅仅被w1影响还被k2影响，所以此模型不是一个线性模型，是个非线性模型。