tSupport vector machine (SVM) is se

tSupport vector machine (SVM) is sensitive to the outliers, which reduces its generalization ability. Thispaper presents a novel support vector regression (SVR) together with fuzzification theory, inconsistencymatrix and neighbors match operator to address this critical issue. Fuzzification method is exploitedto assign similarities on the input space and on the output response to each pair of training samplesrespectively. The inconsistency matrix is used to calculate the weights of input variables, followed bysearching outliers through a novel neighborhood matching algorithm and then eliminating them. Finally,the processed data is sent to the original SVR, and the prediction results are acquired. A simulationexample and three real-world applications demonstrate the proposed method for data set with outliers.

ผลลัพธ์ (ไทย) 1:

เครื่อง tSupport เวกเตอร์ (SVM) มีความไวต่อ outliers ซึ่งลดความสามารถในลักษณะทั่วไป Thispaper นำเสนอการสนับสนุนนวนิยายเวกเตอร์ถดถอย (SVR) ร่วมกับทฤษฎี fuzzification, inconsistencymatrix และเพื่อนบ้านตรงกับผู้ประกอบการเพื่อแก้ไขปัญหาสำคัญนี้ วิธี fuzzification นั้นเหมือนกำหนด exploitedto บนพื้นที่ป้อนข้อมูล และการตอบสนองออกไปแต่ละคู่ของการฝึกอบรม samplesrespectively เมตริกซ์ที่ไม่สอดคล้องถูกใช้เพื่อคำนวณน้ำหนักของตัวแปรอินพุต ตาม bysearching outliers ผ่านย่านที่นวนิยายตรงกับอัลกอริทึมแล้ว กำจัดพวกเขา สุดท้าย ประมวลผลข้อมูลจะถูกส่งไป SVR เดิม และคาดเดาผลลัพธ์ได้มา การ simulationexample และสามการใช้งานจริงแสดงให้เห็นถึงวิธีการนำเสนอสำหรับชุดข้อมูลที่มี outliers

ผลลัพธ์ (ไทย) 2:

tSupport เวกเตอร์เครื่อง (SVM) มีความไวต่อค่าผิดปกติซึ่งจะช่วยลดความสามารถทั่วไปของ Thispaper นำเสนอการถดถอยนวนิยายสนับสนุนเวกเตอร์ (SVR) ร่วมกับทฤษฎี fuzzification, inconsistencymatrix และเพื่อนบ้านแข่งขันผู้ประกอบการที่จะแก้ไขปัญหาที่สำคัญนี้ วิธี Fuzzification เป็น exploitedto กำหนดความคล้ายคลึงกันในพื้นที่การป้อนข้อมูลและการตอบสนองที่ส่งออกไปยังคู่ของการฝึกอบรมแต่ละ samplesrespectively เมทริกซ์ที่ไม่สอดคล้องกันถูกนำมาใช้ในการคำนวณน้ำหนักของตัวแปรตาม bysearching ค่าผิดปกติผ่านวิธีการจับคู่เขตนวนิยายแล้วกำจัดพวกเขา ในที่สุดการประมวลผลข้อมูลจะถูกส่งไปที่เดิม SVR และผลการทำนายจะได้รับ simulationexample และสามการใช้งานจริงของโลกแสดงให้เห็นถึงวิธีการที่นำเสนอข้อมูลชุดที่มีค่าผิดปกติ

ผลลัพธ์ (ไทย) 3:

เวกเตอร์ tsupport เครื่องจักร ( SVM ) มีความไวต่อค่าผิดปกติ ซึ่งลดความสามารถในการของ ความหมายของขวัญนิยายสนับสนุนเวกเตอร์การถดถอย ( SVR ) ร่วมกับทฤษฎีฟัซซีฟิเคชั่น inconsistencymatrix , และเพื่อนบ้านราคาผู้ประกอบการเพื่อแก้ไขปัญหาวิกฤตินี้ วิธีฟัซซีฟิเคชั่นเป็น exploitedto กําหนดความคล้ายคลึงกันในพื้นที่ และเข้าออกการตอบสนองแต่ละคู่ของการฝึกอบรม samplesrespectively . ความไม่สอดคล้องกันของเมทริกซ์ที่ใช้เพื่อคำนวณน้ำหนักของตัวแปรตาม bysearching ผิดปกติผ่านนวนิยายละแวกตรงกับอัลกอริทึมและการขจัดพวกเขา ในที่สุด , การประมวลผลข้อมูลถูกส่งไปยัง SVR เดิม และทำนายผลลัพธ์ที่ได้มา เป็น simulationexample สามการใช้งานจริงแสดงให้เห็นถึงวิธีที่เสนอสำหรับชุดข้อมูลที่มีข้อมูลผิดปกติ .