Single layer perceptrons [19, 20] m

Single layer perceptrons [19, 20] model linearly separable classification problems.
Support vector machines (SVMs) extend single layer perceptrons by using
non-linear transformations for separating objects [21–23]. The non-linear transformation
in SVMs is instituted with the use of kernel functions [23]. Support vector regression
(SVR) extends the traditional linear regression by introducing non-linearity
using kernel functions

ผลลัพธ์ (ไทย) 1:

Perceptrons ชั้นเดียว [19, 20] แบบจำลองเชิงเส้น separable ประเภทปัญหาสนับสนุนเครื่องแบบเวกเตอร์ (SVMs) ขยาย perceptrons ชั้นเดียวโดยแปลงไม่เชิงเส้นการแยกวัตถุ [21-23] การแปลงที่ไม่ใช่เชิงเส้นใน SVMs คือโลก มีการใช้ฟังก์ชันเคอร์เนล [23] สนับสนุนเวกเตอร์ถดถอย(SVR) ขยายการถดถอยเชิงเส้นแบบดั้งเดิม โดยการแนะนำไม่ใช่แบบดอกไม้ใช้ฟังก์ชันเคอร์เนล

ผลลัพธ์ (ไทย) 2:

perceptrons ชั้นเดียว [19, 20] รูปแบบเป็นเส้นตรงแยกปัญหาการจัดหมวดหมู่.
สนับสนุนเครื่องเวกเตอร์ (SVMs) ขยาย perceptrons
ชั้นเดียวโดยใช้การเปลี่ยนแปลงที่ไม่ใช่เชิงเส้นสำหรับการแยกวัตถุ[21-23] การเปลี่ยนแปลงที่ไม่ใช่เชิงเส้นใน SVMs ถูกก่อตั้งด้วยการใช้ฟังก์ชั่นเคอร์เนล [23]
สนับสนุนเวกเตอร์ถดถอย
(SVR)
ขยายการถดถอยเชิงเส้นแบบดั้งเดิมโดยการแนะนำที่ไม่เป็นเชิงเส้นโดยใช้ฟังก์ชันเคอร์เนล

ผลลัพธ์ (ไทย) 3:

เดียวชั้นเพอร์เซปตร [ 19 ] แบ่งแยกเชิงเส้นแบบ 20 หมวดหมู่ปัญหา
เครื่องเวกเตอร์สนับสนุน ( แบบ ) ขยายเพอร์เซปตรชั้นเดียวโดยใช้
) แปลงแยกวัตถุ [ 21 – 23 ] การแปลงเชิงเส้นในแบบ
เป็น instituted กับใช้เคอร์เนลฟังก์ชัน [ 23 ] เวกเตอร์สำหรับการถดถอย
สนับสนุน( SVR ) ขยายการถดถอยเชิงเส้นแบบดั้งเดิม โดยการใช้ฟังก์ชันเชิงเส้น
เคอร์เนล