Технологии интеллектуального анализа данных : учебное пособие

122 зования Ф. Необходимо также заметить, что при создании нели- нейных моделей с использованием метода SVM не выполняется прямое, а затем обратное преобразование объектов из нелинейного в линейное пространство. Преобразование заложено в самой фор- муле расчета, что значительно снижает вычислительные затраты. Вид преобразования, а точнее функция k ( x i , х ), может быть различного типа и выбирается в зависимости от структуры данных. В табл. 3.6 приведены основные виды функций классификации, применяемых в SVM-методе. Таблица 3.6 Виды функций классификации Ядро Название k ( х , у ) = ху Линейная k ( х , у ) = (  xy + c 0 ) d Полиномиал степени d k ( х , у ) = ехр(–  || x – y ||) Базовая радиальная функция Гаусса k ( х , у ) = tanh(  ху + с 0 ) Сигмоидальная К достоинствам метода SVM можно отнести:  теоретическую и практическую обоснованность метода;  общий подход ко многим задачам. Используя разные функ- ции k ( х , у ), можно получить решения для разных задач;  устойчивые решения, нет проблем с локальными миниму- мами;  не подвержен проблеме overfitting;  работает в любом количестве измерений. Недостатки метода:  невысокая производительность по сравнению с более про- стыми методами;  отсутствие общих рекомендаций по подбору параметров и выбору ядра;  побочные эффекты нелинейных преобразований;  сложности с интерпретацией результата.