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, x′) = exp(−γ||x − x′||2), γ > 0.
Under this setup, the SVM performance is affected by three parameters: γ, ε and
C (a trade-off between fitting the errors and the flatness of the mapping).

ผลลัพธ์ (ไทย) 1:

เราจะนำมาใช้นิยม gaussian เคอร์เนล ซึ่งแสดงพารามิเตอร์น้อยกว่าอื่น ๆ เมล็ด (เช่นพหุนาม) [25]: K (x, x′) = exp (−γ|| x′|| x − 2), γ > 0ภายใต้การตั้งค่านี้ ประสิทธิภาพการทำงานของ SVM ได้รับผลกระทบ ด้วยพารามิเตอร์สาม: γ ε และC (trade-off ระหว่างเหมาะสมข้อผิดพลาดและความเรียบของการแม็ป)

ผลลัพธ์ (ไทย) 2:

เราจะนำมาใช้เคอร์เนลเกาส์ยอดนิยมที่นำเสนอพารามิเตอร์น้อยกว่าเมล็ดอื่น ๆ (เช่นพหุนาม) [25]: K (x, x ') = exp (-γ || x - x' || 2), γ> 0 ภายใต้การตั้งค่านี้ประสิทธิภาพ SVM รับผลกระทบจากสามพารามิเตอร์: γ, εและC (การค้าระหว่างกระชับข้อผิดพลาดและความเรียบของการทำแผนที่ที่)

ผลลัพธ์ (ไทย) 3:

เราใช้ kernel ) นิยม ที่นำเสนอน้อยพารามิเตอร์
กว่าเนื้ออื่น ๆ ( เช่นพหุนาม ) [ 25 ] : k ( X , X นั้น ) = exp ( −γ | | X X นั้น | | − 2 ) γ > 0
ภายใต้การตั้งค่านี้ประสิทธิภาพ SVM ได้รับผลกระทบโดยสามพารามิเตอร์ : γεและ
, C ( Trade-off ระหว่างข้อต่อ ข้อ ผิด พลาด และความเรียบของแผนที่ )