Dane liniowo separowalne to dane, które można oddzielić od siebie za pomocą prostych linii (lub hiperpłaszczyzn) w przestrzeni danych. Innymi słowy, dane liniowo separowalne są takie, że istnieje prosta linia (lub hiperpłaszczyzna), która oddziela dane z różnych klas. Jest to ważne w uczeniu maszynowym, ponieważ wiele algorytmów klasyfikacji, takich jak algorytm klasyfikacji liniowej, opiera się na założeniu, że dane są liniowo separowalne.
Hiperpłaszczyzna to pojęcie matematyczne, które oznacza pojedynczą płaszczyznę w przestrzeni wielowymiarowej. W przestrzeni trójwymiarowej hiperpłaszczyzna jest to po prostu płaszczyzna, ale w przestrzeni o wyższych wymiarach (np. czterowymiarowej lub pięciowymiarowej) jest to już bardziej skomplikowana konstrukcja. W uczeniu maszynowym hiperpłaszczyzna jest często używana jako narzędzie do oddzielania danych z różnych klas, które są liniowo separowalne.
Przykładem danych liniowo separowalnych jest zbiór danych składający się z punktów na płaszczyźnie, które można oddzielić przez prostą tak, że punkty z jednej grupy po jednej stronie prostej, a punkty z drugiej grupy po drugiej stronie.
Jeśli punkty na płaszczyźnie nie mogą być oddzielone przez prostą, to zbiór danych nazywany jest nieliniowo separowalnym. W takim przypadku, aby rozdzielić te punkty, potrzebne są bardziej skomplikowane modele, takie jak SVM z jądrem lub perceptron wielowarstwowy (ang. multi-layer perceptron, MLP).