Czy maszyna wektorów wsparcia jest wrażliwa na korelację między atrybutami?

Chciałbym trenować maszynę SVM do klasyfikowania przypadków (PRAWDA / FAŁSZ) na podstawie 20 atrybutów. Wiem, że niektóre z tych atrybutów są wysoce skorelowane. Dlatego moje pytanie brzmi: czy SVM jest wrażliwy na korelację lub nadmiarowość między funkcjami? Jakieś referencje?

Jądro liniowe: tutaj efekt jest podobny do wielokoliniowości w regresji liniowej. Twój wyuczony model może nie być szczególnie stabilny w stosunku do niewielkich różnic w zestawie treningowym, ponieważ różne wektory ciężaru będą miały podobne wyniki. Prognozy zestawu treningowego będą jednak dość stabilne, podobnie jak prognozy testowe, jeśli pochodzą z tego samego rozkładu.

Jądro RBF: Jądro RBF patrzy tylko na odległości między punktami danych. Wyobraź sobie, że masz 11 atrybutów, ale jeden z nich powtarza się 10 razy (dość ekstremalny przypadek). Wtedy ten powtarzający się atrybut przyczyni się do odległości 10 razy więcej niż jakikolwiek inny atrybut, a na wyuczony model prawdopodobnie będzie miał znacznie większy wpływ na tę cechę.

$d(x, y) = \sqrt{ (x - y)^T S^{-1} (x - y) }$$S$$x$$C x$$C$$S^{-1} = C^T C$$S^{-1}$