Технологии интеллектуального анализа данных : учебное пособие

119 В новом пространстве строится линейная функция, которая в исходном пространстве является нелинейной. Для использования построенной функции выполняется обратное преобразование в ис- ходное пространство (рис. 3.6). Рис. 3.6. Графическая интерпретация прямого и обратного преобразований из линейного пространства в нелинейное Описанный подход имеет один существенный недостаток. Процесс преобразования достаточно сложен с точки зрения вы- числений, причем вычислительная сложность растет с увеличени- ем числа данных. Если учесть, что преобразование выполняется два раза (прямое и обратное), то такая зависимость не является линейной. В связи с этим построение нелинейных моделей с та- ким подходом будет неэффективным. Альтернативой ему может служить метод Support Vector Machines (SVM), не выполняющий отдельных преобразований всех объектов, а учитывающий это в расчетах. Support Vector Machines (SVM) Идея метода основывается на предположении о том, что наилучшим способом разделения точек в m -мерном пространстве является т – 1 плоскость (заданная функцией f ( x )), равноудален- ная от точек, принадлежащих разным классам. Для двумерного пространства эту идею можно представить в виде, изображенном на рис. 3.7. Ф Ф