Технологии интеллектуального анализа данных : учебное пособие

121 Тогда задача нахождения функции f ( x ) будет заключаться в минимизации значения 2 1 || || 2  при условии: , , , . i i x b y y x b                  Решением данной задачи является функция вида:   * 1 ( ) , l i i i i f x x x b          , (3.3) где i  и * i  – положительные константы, удовлетворяющие сле- дующим условиям:   * 1 * 0; , [0, ]. l i i i i i C               Константа С задает соотношение между плоскостью функ- ции f ( x ) и допустимым значением нарушения границы  . Несмотря на то, что рассмотрен случай с линейной функ- цией f ( x ), метод SVM может быть использован и для построения нелинейных моделей. Для этого скалярное произведение двух век- торов ( x i , x ) необходимо заменить на скалярное произведение пре- образованных векторов: ( , ) Ô( ),Ô( ) k x x x x    . Функция k ( х , у ) называется ядром. Тогда выражение (3.3) можно переписать в виде:     * 1 ( ) , l i i i i f x k x x b        . Отличие от линейного варианта SVM здесь в том, что  те- перь находится не непосредственно, а с использованием преобра-