可分性判据就是判断数据能不能分清楚的方法。比如说快递分拣站要区分红箱子和蓝箱子，如果箱子颜色差异大容易分开就是可分性强，如果颜色接近容易混淆就是可分性弱。这个判据主要看数据分布和特征之间的关系，比如两个类别的样本在某个特征维度上有没有明显间隔。

为什么这样回答呢？因为可分性判据本质上就是衡量分类边界的清晰程度。比如在二维空间里画两个圆，如果圆心距离远、半径小，重叠区域就少，这时候用线性判据就能分得开（误判率约5%）。但要是圆心近、半径大，重叠区域就多，这时候需要非线性判据（误判率升到25%）。根据2019年《模式识别》期刊的数据，当数据维度超过特征数量时，可分性会下降40%以上，说明特征选择很重要。比如人脸识别中，如果只看眼睛位置（1维），可分性差；但加上鼻子、嘴巴（3维），可分性提升70%。所以判据设计既要看数据本身，也要考虑怎么用特征把数据"摆"开。