分类技术是机器学习领域中的一个重要课题,在现实世界中有很多应用,分类的目标就是利用已知的样本特征和标签来预测新样本所属的类别。目前国内外已有许多用于分类分析工作的通用分类器[1],现阶段对这些分类器的应用研究主要可以分为两种。从分类器映射的来说,分类假设模型将特征数据空间映射到分类标签集合,通过在所有分类假设数据空间中不断寻找最优解完成分类器训练。从空间划分学的角度来看,分类模型可以视为决策边界和决策区域,决策边界通过对分类器的训练进行提取,它将数据样本空间划分为若干部分,根据未知类别的待测样本与决策区域及边界的空间相对性和位置关系来预测其所属的类别标签。准确性是被正确预测的结果与所有预测结果的比值[1],是进行分类器性能评判的基础指标,但对分类器的分析研究仅靠准确性无法获得直观见解[2],因为准确性只能说明正确预测结果的比例,而无法具体指明哪些数据被正确或错误地分类,也无法显示被正确或错误预测的数据在数据空间中的相对位置。因此,如果借助分类器决策边界可视化的手段,可使用户更好地理解与分析分类器。有许多工作从函数映射方面分析分类器,而我们旨在从空间视角下针对该问题,提取具有几何意义的决策分界线并将其可视化。提取决策边界不仅可以为人们判断新样本的类别提供更直观的途径,同时由于决策边界一定程度上反映了分类器的泛化能力,因此可以为分类器的评判分析提供有力依据。对于大型的数据集来说,可以通过对比样本与决策边界的相对位置较直观地模拟分类器对新样本的判别预测。本文旨在以泛化性与简单性作为驱动,提出了一种基于几何工具Voronoi图来优化提取具有高泛化能力决策边界的方法,并对SVM、随机森林、ANN和ELM几种主流分类模型进行了实验,证明该方法得到的决策边界与使用一般流程得到的分类器判别标签结果高度吻合,优秀地模拟了分类模型内部的判别机制,准确率高。