Tại sao nó có thể phân tách tuyến tính trong SVM?
Các SVC vốn dĩ là một kỹ thuật tuyến tính. Họ tìm thấy các ranh giới tuyến tính phân tách (càng tốt nhất có thể) các lớp khác nhau. Nếu không có ranh giới tuyến tính tự nhiên cho vấn đề, các lựa chọn là sử dụng một kỹ thuật khác hoặc sử dụng các SVC với các tính năng được chuyển đổi thành một không gian nơi thực sự có ranh giới tuyến tính.
Tham chiếu đến hình ảnh trên, rõ ràng một vòng tròn có thể tách hai lớp (hình ảnh bên trái). Tại sao sau đó mất quá nhiều đau đớn để ánh xạ nó đến một chức năng để làm cho nó có thể phân tách tuyến tính (hình ảnh bên phải)?
Đây là một ví dụ cổ điển. Các lớp dữ liệu được phân tách bằng một vòng tròn, nhưng một SVC không thể tìm thấy các vòng tròn trực tiếp. Tuy nhiên, nếu dữ liệu được chuyển đổi bằng hàm cơ sở xuyên tâm , thì trong không gian kết quả, các lớp được phân tách bằng một ranh giới tuyến tính.