3.2 Support Vector MachinesSupport

3.2 Support Vector Machines
Support vector machines (SVM) are rooted in statistical learning theory [2, 12].
We consider SVM for the classification task formalized in section 2. The space
H of all possible functions for SVM is the set generated by all possible oriented
hyperplanes in an n-dimensional Euclidian space Rn or in a higher dimensional
feature space F obtained by a mapping φ(x) on the instances x from Rn. SVM
search for an oriented hyperplane that results in a maximal margin between the
two classes, while minimizing the penalty term for the training instances at the
wrong side of the margin.
Given l training instances xi, SVM solve the following primal problem:

ผลลัพธ์ (ไทย) 1:

3.2 สนับสนุนเครื่องแบบเวกเตอร์สนับสนุนเครื่องแบบเวกเตอร์ (SVM) จะใช้ในทฤษฎีการเรียนรู้ทางสถิติ [2, 12]เราพิจารณา SVM สำหรับงานประเภทอย่างเป็นทางในส่วนที่ 2 พื้นที่H ทุกฟังก์ชั่นได้สำหรับ SVM คือ ชุดที่สร้างขึ้น โดยมุ่งเน้นไปทั้งหมดhyperplanes ในการพื้นที่ Euclidian n มิติ Rn หรือมากมิติลักษณะพื้นที่ F ได้ โดย φ(x) แม็ปบนอินสแตนซ์ x จาก Rn SVMหา hyperplane การมุ่งเน้นที่ผลกำไรสูงสุดระหว่างการชั้นที่สอง ในขณะที่ลดคำลงโทษสำหรับอินสแตนซ์ของการฝึกอบรมที่ด้านข้างที่ไม่ถูกต้องของระยะขอบSVM ให้ฝึกสิอินสแตนซ์ l แก้ปัญหาแบบสไตไลซ์ดังต่อไปนี้:

ผลลัพธ์ (ไทย) 2:

3.2
การสนับสนุนเวกเตอร์เครื่องสนับสนุนเครื่องเวกเตอร์(SVM) จะหยั่งรากลึกในทฤษฎีการเรียนรู้ทางสถิติ [2, 12].
เราพิจารณา SVM สำหรับงานการจัดหมวดหมู่อย่างเป็นทางการในส่วนที่ 2 พื้นที่
H ของฟังก์ชั่นเป็นไปได้ทั้งหมดสำหรับ SVM เป็นชุดที่สร้างขึ้นโดยเป็นไปได้ทั้งหมด ที่มุ่งเน้นการ
hyperplanes ในพื้นที่ Euclidian n มิติ Rn
หรือในมิติที่สูงกว่าพื้นที่คุณลักษณะF ที่ได้รับจากการทำแผนที่φ (x) ในกรณี x จาก Rn SVM
ค้นหาสำหรับไฮเปอร์เพลนที่มุ่งเน้นที่จะส่งผลให้อัตรากำไรสูงสุดระหว่างสองชั้นในขณะที่ลดระยะการลงโทษสำหรับกรณีการฝึกอบรมที่. ด้านผิดของอัตรากำไรขั้นต้นได้รับการฝึกอบรมลิตรจินกรณี SVM แก้ปัญหาครั้งแรกต่อไปนี้:

ผลลัพธ์ (ไทย) 3:

3.2 สนับสนุนเครื่องเวกเตอร์เครื่องเวกเตอร์
สนับสนุน ( SVM ) มีรากในทฤษฎีการเรียนรู้เชิงสถิติ [ 2 , 12 ] .
เราพิจารณา SVM ในการจำแนกงานเป็นทางการในส่วนที่ 2 พื้นที่
H ของฟังก์ชันทั้งหมดที่เป็นไปได้สำหรับ SVM เป็นชุดที่สร้างขึ้นโดยมุ่งเน้นที่เป็นไปได้ทั้งหมดในพื้นที่ n-dimensional
hyperplanes euclidian rn หรือในขนาดสูง
คุณลักษณะพื้นที่ F ได้ โดยแผนที่φ ( X ) บนอินสแตนซ์ x จาก RN . SVM
ค้นหาเชิงระนาบเกินผลในอัตราสูงสุดระหว่าง
2 ชั้นเรียนในขณะที่ลดโทษระยะการฝึกอบรม กรณีที่
ผิดข้างของขอบ .
ให้ผมฝึกอินสแตนซ์ Xi , SVM แก้ตามปฐมปัญหา :