Here k(xi, xj) = φ(xi)T · φ(xj) is

Here k(xi, xj) = φ(xi)T · φ(xj) is a kernel function that calculates dot products
of instances that are mapped into a higher dimensional space F via the mapping
φ. The alphas are the weights associated with the training instances. All instances
with nonzero weights are “support vectors”. They determine the position of the
optimal SVM hyperplane, h(C, hI+, I−i), which is given by:

ผลลัพธ์ (ไทย) 1:

ที่นี่ k (xi, xj) =φ (ซี) · T Φ(xj) คือ ฟังก์ชันเคอร์เนลที่คำนวณผลิตภัณฑ์จุดอินสแตนซ์ที่ถูกแมปในสูงมิติพื้นที่ F ผ่านการแม็ปAlphas φ.จะเกี่ยวข้องกับอินสแตนซ์การฝึกน้ำหนัก อินสแตนซ์ทั้งหมดด้วยน้ำหนัก nonzero ได้ "สนับสนุนเวกเตอร์" กำหนดตำแหน่งของการhyperplane SVM สูงสุด h (C ไฮ +, I−i), ซึ่งถูกกำหนดโดย:

ผลลัพธ์ (ไทย) 2:

นี่ k (ซีอาน XJ) = φ (จิน) T ·φ (XJ) เป็นฟังก์ชันเคอร์เนลที่คำนวณผลิตภัณฑ์ dot
กรณีที่ถูกแมปเป็น F
มิติที่สูงขึ้นผ่านการทำแผนที่φ alphas มีน้ำหนักที่เกี่ยวข้องกับกรณีการฝึกอบรม ทุกกรณีที่มีน้ำหนักภัณฑ์เป็น "พาหะสนับสนุน"
พวกเขากำหนดตำแหน่งของไฮเปอร์เพล SVM ที่ดีที่สุด h (C, ฮาวาย + I-i) ซึ่งจะได้รับโดย:

ผลลัพธ์ (ไทย) 3:

นี่ K ( Xi XJ ) = φ ( Xi ) T ด้วยφ ( XJ ) เคอร์เนลฟังก์ชันที่คำนวณจุดผลิตภัณฑ์
ของอินสแตนซ์ที่แมปเป็นมิติสูงกว่า F ผ่านแผนที่
φ . โดยอัลฟ่ามีน้ำหนักที่เกี่ยวข้องกับการฝึกอบรม กรณี ทุกกรณี
กับน้ำหนักศูนย์เป็น " พาหะ " สนับสนุน พวกเขาตรวจสอบตำแหน่งของระนาบเกิน SVM เหมาะสม
, H ( C , สวัสดี , ฉัน− ) ซึ่งจะได้รับโดย