SVM中使用核函数后相关参数的计算

最近在用Python实现SVM，参考了网上一些代码，发现其中关于$f(x)$相关参数的计算不太正确。
如下面博客中的代码:
https://blog.csdn.net/jichun4686/article/details/102947388
其中使用核函数并进行相关凸二次规划问题的求解后，预测函数仍为 $f(x)={\mathbf{w}}^{\mathbf{T}}\mathbf{x}+b$ 的形式。事实上由于核函数把原样本空间映射到了其它维度的空间，$\mathbf{w}$ 和 $\mathbf{x}$ 的形式会发生变化。正确的形式应当为$f(x)={\mathbf{w}}^{\mathbf{T}}\Phi (\mathbf{x})+b$。其中 $\Phi (\mathbf{x})$ 表示将 $\mathbf{x}$ 映射后的空间向量。因为直接得到这个映射的形式可能相当地困难，所以可以通过如下方式得到 $b$ :$$b=y_j-\sum _{i=1}^m{\alpha }_i{y}_i\kappa ({\mathbf{x}}_i{\mathbf{x}}_j)\text{\hspace{1em}(1)}$$之后通过支持向量展式$$f(\mathbf{x})=\sum _{i=1}^m{\alpha }_i{y}_i\kappa (\mathbf{x},{\mathbf{x}}_i)+b\text{\hspace{1em}(2)}$$即可得到 $f(x)$ 以进行预测。
注：m为训练集中样本的个数。$\mathbf{x}=({\mathbf{x}}_1,{\mathbf{x}}_2,{\mathbf{x}}_3...)$ 为训练集或测试集。

参考资料

1. 周志华《机器学习》
2. https://zhuanlan.zhihu.com/p/31886934