Прыжок в бесконечность: как под капотом работает RBF SVM

[enemigo]

Я бы резюмировал, что все линейные методы делятся на два класса: амплитудно‑фазовые и частотные. Амплитудно‑фазовые строят линейные функции для разделения на классы, а частотные методы работают через сравнение с шаблоном. Такое разделение возникает потому, что линейная функция фактически является КИХ‑фильтром, через который пропускаются исходные данные, пусть даже точечно и беспорядочно, но они фильтруются. У амплитудно‑фазовых методов есть один существенный недостаток: отсутствие барьерного свойства. Случайные возмущения позволяют данным перепрыгивать из класса в класс. Конечно, чем дальше классы разделены друг от друга, тем вероятность ниже, но такие задачи для практики не представляют интереса. Частотные методы, напротив, строят физический барьер. Здесь ситуация такова: мы можем достаточно точно определять частоту, и даже две близкие частоты можно сколь угодно точно отделить друг от друга, просто увеличив число отсчётов во времени (здесь вместо времени порядок компонент вектора на входе). RBF основан на частотном принципе, и в статье это хорошо иллюстрируется — каждый случай трактуется как шаблон или сигнал, который мы пытаемся детектировать. При этом я никогда не встречал методов RBF, где бы шаблоны разбивались на фундаментальные составляющие или каждый случай генерировал бы сигнал определённой частоты превращая его в уникальный класс.