We will adopt the popular gaussian

We will adopt the popular gaussian kernel, which presents less parameters
than other kernels (e.g. polynomial) [25]: K(x, x0
) = exp(−γ||x − x
0
||2
), γ > 0.
Under this setup, the SVM performance is affected by three parameters: γ,  and
C (a trade-off between fitting the errors and the flatness of the mapping). To
reduce the search space, the first two values will be set using the heuristics [4]:
C = 3 (for a standardized output) and  = σ/b
√
N, where σb = 1.5/N ×
PN
i=1(yi−
ybi)
2 and yb is the value predicted by a 3-nearest neighbor algorithm. The kernel
parameter (γ) produces the highest impact in the SVM performance, with values
that are too large or too small leading to poor predictions. A practical method
to set γ is to start the search from one of the extremes and then search towards
the middle of the range while the predictive estimate increases

ผลลัพธ์ (ไทย) 1:

เราจะนำมาใช้นิยม gaussian เคอร์เนล ซึ่งแสดงพารามิเตอร์น้อยกว่าอื่น ๆ เมล็ด (เช่นพหุนาม) [25]: K (x, x 0) = exp (−γ|| x − x0|| 2), Γ > 0ภายใต้การตั้งค่านี้ ประสิทธิภาพการทำงานของ SVM ได้รับผลกระทบ ด้วยพารามิเตอร์สาม: γ และC (trade-off ระหว่างเหมาะสมข้อผิดพลาดและความเรียบของการแม็ป) ถึงลดพื้นที่การค้นหา สองค่าจะถูกตั้งค่าโดยใช้การลองผิดลองถูก [4]:C = 3 (สำหรับผลผลิตที่เป็นมาตรฐาน) และ = σ/b√N ที่ σb =× 1.5/Nพีเอ็นฉัน = 1 (yi−ybi)2 และ yb ได้ค่าทำนาย โดยอัลกอริทึม 3 ใกล้บ้าน เคอร์เนลพารามิเตอร์ (γ) ก่อให้เกิดผลกระทบสูงสุดในการทำงาน SVM มีค่าที่มีขนาดใหญ่เกินไป หรือเล็กเกินไปนำไปคาดคะเนยาก วิธีการปฏิบัติการตั้งค่าγจะเริ่มต้นการค้นหาที่สุดหนึ่ง และจากนั้น ค้นหาต่อตรงกลางของช่วงในขณะที่การคาดการณ์ประเมินเพิ่ม

ผลลัพธ์ (ไทย) 2:

เราจะนำมาใช้เคอร์เนลเกาส์ยอดนิยมที่นำเสนอพารามิเตอร์น้อยกว่าเมล็ดอื่น ๆ (เช่นพหุนาม) [25]: K (x, x0) = exp (-γ || x - x 0 || 2) γ> 0 ภายใต้ การตั้งค่านี้ประสิทธิภาพ SVM ได้รับผลกระทบโดยสามพารามิเตอร์: γ? และC (การค้าระหว่างเหมาะสมข้อผิดพลาดและความเรียบของการทำแผนที่ที่) เพื่อลดพื้นที่การค้นหาเป็นครั้งแรกที่สองค่าจะถูกตั้งค่าโดยใช้การวิเคราะห์พฤติกรรมส่วน [4]: C = 3 (สำหรับการส่งออกมาตรฐาน) และ? = σ / b √ยังไม่มีข้อความที่σb = 1.5 / N ร PN i = 1 (yi- YBI) ที่ 2 และ YB เป็นค่าที่คาดการณ์โดยอัลกอริทึมเพื่อนบ้าน 3 ที่ใกล้ที่สุด เคอร์เนลพารามิเตอร์ (γ) ก่อให้เกิดผลกระทบที่สูงที่สุดในประสิทธิภาพ SVM มีค่าที่มีขนาดใหญ่เกินไปหรือเล็กเกินไปที่จะคาดการณ์ชั้นนำที่น่าสงสาร วิธีการปฏิบัติในการตั้งγคือการเริ่มต้นการค้นหาจากหนึ่งในสุดขั้วแล้วค้นหาต่อตรงกลางของช่วงขณะที่การเพิ่มขึ้นของประมาณการคาดการณ์

ผลลัพธ์ (ไทย) 3:

เราจะใช้ kernel ) นิยม ที่นำเสนอน้อยพารามิเตอร์
กว่าเนื้ออื่น ๆ ( เช่นพหุนาม ) [ 25 ] : k ( x , x0
) = exp ( −γ | | x − x
0
| | 2
) γ > 0
ภายใต้การตั้งค่านี้ประสิทธิภาพ SVM ได้รับผลกระทบโดย สามพารามิเตอร์ : γ  และ
, C ( Trade-off ระหว่างข้อต่อ ข้อ ผิด พลาด และความเรียบของแผนที่ )

ลดการค้นหาอวกาศ2 ค่าแรกจะถูกตั้งค่าโดยใช้ฮิวริสติก [ 4 ] :
c = 3 ( สำหรับการแสดงผลมาตรฐาน ) และ  = σ / b
√
n ที่σ B = 1.5/n ×
PN
= 1 ( ยี−
ybi )
2 และ YB เป็นค่าคาดการณ์โดย 3-nearest ขั้นตอนวิธีการเพื่อนบ้าน . เคอร์เนล
พารามิเตอร์ ( γ ) สร้างผลกระทบสูงสุดในการแสดง SVM กับค่า
ที่มีขนาดใหญ่เกินไปหรือเล็กเกินไปที่นำไปสู่การคาดการณ์ที่น่าสงสาร
วิธีปฏิบัติเป็นการตั้งค่าγคือการเริ่มต้นการค้นหาจากหนึ่งในขั้วแล้วค้นหาต่อ
ตรงกลางของช่วงในขณะที่เพิ่มประมาณการพยากรณ์