Feature vectors are generally distr

Feature vectors are generally distributed in a way that their
intrinsic similarities cannot be easily quantified in the input
space as they are non-linearly separable [31]. For this reason,we use a non-linear transformation (
) to map each feature
xti
2 Ft to a high-dimensional non-linear feature space where
the feature vectors and Support Vectors are separable. The
mapping (xti
) need not to be computed explicitly as we
can implicitly quantify the feature similarity in the feature
space (via the so-called kernel trick). Such a feature similarity
allows us to determine the Support Vectors by generating a
hypersphere with center ct and radius Rt that encloses feature
vectors of the same clusters in the feature space. The Support
Vectors are features that define the boundaries of each cluster
and can then be mapped back to the input space to form the
set of clusters’ boundaries
The hypersphere is determined via the following minimizationproblem [32]:

ผลลัพธ์ (ไทย) 1:

เวกเตอร์ลักษณะกระจายทั่วไปในทางที่ตนลักษณะคล้ายคลึงกันไม่สามารถวัดได้ง่ายในการป้อนข้อมูลพื้นที่พวกเขาจะไม่ใช่เชิงเส้น separable [31] ด้วยเหตุนี้ เราใช้()เป็นการเปลี่ยนแปลงคุณสมบัติแมปแต่ละคุณลักษณะxti2 ฟุตพื้นที่คุณลักษณะสมบัติสูงมิติที่คุณลักษณะเวกเตอร์และเวกเตอร์สนับสนุนเป็น separable การการแม็ป (xti) ไม่จำเป็นต้องคำนวณเป็นเราอย่างชัดเจนสามารถกำหนดปริมาณคุณลักษณะคล้ายคลึงในคุณลักษณะนัยพื้นที่ (ทางเทคนิคเรียกว่าเคอร์เนล) ดังกล่าวมีลักษณะความคล้ายคลึงกันให้เรากำหนดเวกเตอร์สนับสนุน โดยการสร้างความhypersphere ศูนย์ ct และรัศมี Rt ที่ใส่คุณลักษณะเวกเตอร์ของคลัสเตอร์ในพื้นที่ลักษณะเดียวกัน การสนับสนุนเวกเตอร์เป็นคุณลักษณะที่กำหนดขอบเขตของแต่ละคลัสเตอร์และสามารถแม็ปแล้วกลับไปพื้นที่ป้อนข้อมูลแบบฟอร์มการชุดของขอบเขตของคลัสเตอร์Hypersphere ถูกกำหนดผ่าน minimizationproblem ต่อไปนี้ [32]:

ผลลัพธ์ (ไทย) 2:

เวกเตอร์คุณลักษณะที่มีการกระจายทั่วไปในทางที่พวกเขา
คล้ายคลึงกันที่แท้จริงไม่สามารถวัดได้อย่างง่ายดายในการป้อนข้อมูล
พื้นที่ที่พวกเขาจะไม่เป็นเส้นตรงแยกกันไม่ออก [31] ด้วยเหตุนี้เราจะใช้การเปลี่ยนแปลงที่ไม่ใช่เชิงเส้น? (?) เพื่อทำแผนที่แต่ละคุณลักษณะ
XTI
2 ฟุตไปยังพื้นที่สูงมิติที่ไม่ใช่เชิงเส้นคุณลักษณะที่
เวกเตอร์เวกเตอร์บาร์และการสนับสนุนที่มีแยกกันไม่ออก
ทำแผนที่ (XTI
) ไม่จำเป็นต้องได้รับการคำนวณอย่างชัดเจนในขณะที่เรา
ปริยายสามารถวัดปริมาณความคล้ายคลึงกันในลักษณะคุณลักษณะ
พื้นที่ (ผ่านสิ่งที่เรียกว่าเคล็ดลับเคอร์เนล) เช่นความคล้ายคลึงกันคุณสมบัติ
ช่วยให้เราสามารถตรวจสอบเวกเตอร์การสนับสนุนโดยการสร้าง
hypersphere กับ CT ศูนย์และรัศมี Rt ที่ล้อมรอบคุณลักษณะ
เวกเตอร์ของกลุ่มเดียวกันในพื้นที่คุณลักษณะ สนับสนุน
เวกเตอร์ที่มีคุณสมบัติที่กำหนดขอบเขตของแต่ละกลุ่ม
แล้วสามารถแมปกลับไปเข้าพื้นที่ในรูปแบบ
ชุดของขอบเขตกลุ่ม '
hypersphere จะถูกกำหนดผ่านทางดังต่อไปนี้ minimizationproblem [32]: