Технологии интеллектуального анализа данных : учебное пособие

120 Как можно заметить, для решения этой задачи достаточно провести плоскость, равноудаленную от ближайших друг к другу точек, относящихся к разному классу. На рис. 3.7 такими точка- ми являются точки с и d . Данный метод интерпретирует объекты (и соответствующие им в про- странстве точки) как векторы размера т . Другими словами, независимые переменные, харак- теризующие объекты, являются координатами векторов. Ближай- шие друг к другу векторы, отно- сящиеся к разным классам, называются векторами поддержки (support vectors). Формально данную задачу можно описать как поиск функ- ции, отвечающей следующим условиям: , , , i i x b y y x b                  для некоторого конечного значения ошибки  . Если f ( x ) линейна, то ее можно записать в виде: ( ) , , , d f x x b b       , где <  , х> – скалярное произведение векторов  и х ; b – константа, заменяющая коэффициент  0 . Введем понятие плоскости функции таким образом, что большему значению плоскости соответствует меньшее значение евклидовой нормы вектора  : || || ,     . Рис. 3.7. Графическая интерпретация идеи метода SVM c c f ( x )