Support vector machine, a universal

Support vector machine, a universal method for learning from data, gains its development based on statistical learning theory.
It shows many advantages in solving nonlinearly small sample and high dimensional problems of pattern recognition.
Only a part of samples or support vectors (SVs) plays an important role in the final decision function.
But SVs could not be obtained in advance until a quadratic programming is performed.
In this paper, we use K-nearest neighbour method to extract a boundary vector set which may contain SVs.
The number of the boundary set is smaller than the whole training set.
Consequently it reduces the training samples, speeds up the training of support vector machine.

ผลลัพธ์ (ไทย) 1:

การสนับสนุนเครื่องเวกเตอร์วิธีสากลสำหรับการเรียนรู้จากข้อมูลที่ได้รับการพัฒนาบนพื้นฐานของทฤษฎีการเรียนรู้ทางสถิติ
มันแสดงให้เห็นข้อดีในการแก้ปัญหามิติสูงของการจดจำรูปแบบกลุ่มตัวอย่างขนาดเล็กและ nonlinearly.
เพียงส่วนหนึ่งของตัวอย่างหรือเวกเตอร์สนับสนุน (svs) มีบทบาทสำคัญในการทำงานการตัดสินใจขั้นสุดท้าย
แต่ svs ไม่สามารถได้ล่วงหน้าจนการเขียนโปรแกรมจะดำเนินการกำลังสอง.
ในบทความนี้เราจะใช้วิธีการเพื่อนบ้านที่ใกล้ที่สุด K-เพื่อดึงชุดเวกเตอร์เขตแดนซึ่งอาจจะมี svs
จำนวนของชุดขอบเขตมีขนาดเล็กกว่าชุดฝึกอบรมทั้งหมด.
จึงจะช่วยลดตัวอย่างการฝึกอบรมเพิ่มความเร็วในการฝึกอบรมของเครื่องสนับสนุนเวกเตอร์.

ผลลัพธ์ (ไทย) 2:

สนับสนุนเวกเตอร์ เครื่องสากลวิธีการเรียนรู้จากข้อมูล กำไรจากการพัฒนาตามทฤษฎีการเรียนรู้ทางสถิติ
มันแสดงให้เห็นข้อดีมากมายในการแก้ตัวอย่าง nonlinearly เล็กและสูงปัญหามิติของรูปแบบการรับรู้
เพียงส่วนหนึ่งของตัวอย่างหรือสนับสนุนเวกเตอร์ (SVs) มีบทบาทสำคัญในการตัดสินใจขั้นสุดท้ายฟังก์ชัน
แต่ SVs ไม่สามารถรับล่วงหน้าจนกว่าจะดำเนินการเขียนโปรแกรมกำลังสอง.
ในกระดาษนี้ เราใช้ K ใกล้วิธี neighbour แยกชุดเวกเตอร์ขอบที่อาจประกอบด้วยต่อ SVs ไป
จำนวนชุดขอบมีขนาดเล็กกว่าชุดฝึกอบรมทั้งหมด
ดังมันลดตัวอย่างการฝึกอบรม ความเร็วในการฝึกอบรมสนับสนุนเครื่องแบบเวกเตอร์

ผลลัพธ์ (ไทย) 3:

เครื่อง vector สนับสนุนวิธีการอเนกประสงค์สำหรับการเรียนรู้จากข้อมูลได้รับการพัฒนาตามทฤษฎีการเรียนรู้ข้อมูลทางสถิติ
ซึ่งจะแสดงความได้เปรียบจำนวนมากในการแก้ปัญหา nonlinearly ขนาดเล็กและลิ้มลองปัญหามิติเดียวสูงของการจดจำรูปแบบ.
เท่านั้นที่เป็นส่วนหนึ่งขององค์ประกอบการสนับสนุนหรือตัวอย่าง( svs )มีบทบาทสำคัญในฟังก์ชันการตัดสินใจขั้นสุดท้าย
แต่ svs ไม่สามารถได้รับเป็นการล่วงหน้าจนกว่าการตั้งโปรแกรมในพีชคณิตที่มีกำลังสองซึ่งจะมีการดำเนินการ.
ในเอกสารนี้เราจะใช้วิธีการ K - ที่อยู่ใกล้ที่สุดเพื่อนบ้านเพื่อดึงตั้งค่าเวกเตอร์เขตซึ่งอาจมี svs.
หมายเลขที่ตั้งค่าของเขตที่มีขนาดเล็กกว่าการฝึกอบรมทั้งหมดที่ตั้งค่า.
ดังนั้นจึงมีผลทำให้ผลมันช่วยลดตัวอย่างการฝึกอบรมที่ความเร็วสูงสุดการฝึกอบรมของเครื่องเวกเตอร์การสนับสนุน.