A ideia básica por trás de Support Vector Machines (SVMs) não lineares é mapear o conjunto de dados para um novo espaço de maior dimensão, denominado espaço de características ( fe

A ideia básica por trás de Support Vector Machines (SVMs) não lineares é mapear o conjunto de dados para um novo espaço de maior dimensão, denominado espaço de características ( feature space ), em que as classes são linearmente separáveis. Realiza-se, então, a classificação usando um SVM linear e, depois, retorna-se para a dimensão original. A otimização não é mais realizada diretamente sobre os dados de entrada, mas sobre os valores obtidos a partir do cálculo do kernel . Com relação às funções kernel mais comuns, avalie as afirmações a seguir. I. Temos a função kernel polinomial, dada pela fórmula: II. Temos a função kernel RBF, dada pela fórmula: III. Temos a função kernel tangencial, dada pela fórmula: Está correto o que se afirma em: