בנושא SVM - ההפרדה בין שני סייוגים כשיש שני מימדים היא בעזרת פונקציה לינארית b+WX כאשר לW יש שני מימדים. כדי למצוא את נקודת החיתוך בציר X2 כלומר של המימד השנים פשוט נשווה ל-0 ונבודד את X עבור המימד השני כלומר W2 ונקבל את התוצאה b/w2-.
לפי ההרצאה הסיבוכיות של SVM פחות תלוי בכמות התצפיות שיש לנו אלא בכמות התצפיות שמהוות וקטורי תמיכה וכמות המימדים (ניתן להבין זאת גם מהנוסחה שכאן לחישוב משקל עבור מימד מתחשבים באלפא שהיא שייכת לוקטורי התמיכה) ובנוסף מס' המימדים גם משפיע כי מתחשבים בכל מימד במשוואה כאשר מסווגים.
מיין לפי
ניתן לזהות קבוצות של פריטים שנרכשים בד"כ ביחד באמצעות המדד של
העקרונות הבסיסים של חוקי קשר. כל תת קבוצה של תבנית שכיחה היא שכיחה בעצמה (על זה מבוסס עקרון Apriori). קבוצה על של קבוצת פריטים שכיחה יכולה להיות שכיחה (היא לא חייבת!).
מודל לוקלי- לוקחים את המרחב מחלקים אותו לאזורים ובכל אזור יש לנו מודל אחר והסיווג של התצפית נקבע לפי האזור שאליו שייכה התצפית. SVM הוא מודל גלובלי כלומר הוא תקף לכל התצפיות, המישור המפריד תופס לגבי כל התצפיות במרחב ולא לאזור מסויים.
מתוך ההגדה של משתנה nominal - משתנים שהערכים שלהם נקבעים ע"י מילים או ביטויים (ללא משמעות מספרית).
Ratio- משתנים מספריים עם נקודת ייחוס (גובה, משקל)
Ordinal- משתנים שיש חשיבות לסדר שלהם (דרגות בצבא)