The ε-insensitive loss function set

The ε-insensitive loss function sets an insensitive tube around the
residuals and the tiny errors within the tube are discarded (Fig. 2).
We will adopt the popular Gaussian kernel, which presents less
parameters than other kernels (e.g. polynomial) [31]: K(x, x′)=
exp(−γ||x−x′||2), γN0. 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). To reduce the search space,
the first two values will be set using the heuristics [5]: C=3 (for a
standardized output) and e = ˆ σ =
ffiffiffiffi
N
p
, where σ̂=1.5/N×Σi=1
N (yi−ŷi
)2
and ŷ is the value predicted by a 3-nearest neighbor algorithm. The
kernel parameter (γ) produces the highest impact in the SVM
performance, with values that are too large or too small leading to
poor predictions. A practical method to set γ is to start the search from
one of the extremes and then search towards the middle of the range
while the predictive estimate increases

ผลลัพธ์ (ไทย) 1:

ขาดทุนεซ้อนฟังก์ชันชุดท่อซ้อนเป็นสถานยกเลิกค่าคงเหลือและข้อผิดพลาดเล็ก ๆ ภายในท่อ (Fig. 2)เราจะนำมาใช้นิยม Gaussian เคอร์เนล ซึ่งนำเสนอน้อยพารามิเตอร์มากกว่าอื่น ๆ เมล็ด (เช่นพหุนาม) [31]: K (x, x′) =exp (−γ|| x−x′|| 2), ΓN0 ภายใต้การตั้งค่านี้ มีประสิทธิภาพการทำงานของ SVMรับผลกระทบจากพารามิเตอร์สาม: γ ε C (การ trade-off ระหว่างกระชับและข้อผิดพลาดและความเรียบของการแม็ป) การลดพื้นที่การค้นหาค่าสองจะถูกตั้งค่าโดยใช้การลองผิดลองถูก [5]: C = 3 (สำหรับการมาตรฐานส่งออก) และ e ˆσ = =ffiffiffiffiNpที่σ̂ = 1.5 / N × Σi = 1N (yi−ŷi) 2และŷ ค่าทำนาย โดยอัลกอริทึม 3 ใกล้บ้าน ที่เคอร์เนลพารามิเตอร์ (γ) ก่อให้เกิดผลกระทบสูงสุดในการ SVMประสิทธิภาพ ค่าที่มีขนาดใหญ่เกินไป หรือเล็กเกินไปคาดคะเนไม่ วิธีปฏิบัติตั้งγจะเริ่มค้นหาจากหนึ่งในที่สุดและค้นหาแล้วไปทางตรงกลางของช่วงในขณะที่การคาดการณ์ประเมินเพิ่ม

ผลลัพธ์ (ไทย) 2:

ฟังก์ชั่นการสูญเสียεตายชุดหลอดตายรอบเหลือและข้อผิดพลาดเล็ก ๆ ภายในหลอดจะถูกยกเลิก (รูปที่. 2). เราจะนำมาใช้เคอร์เนลเสียนยอดนิยมที่นำเสนอน้อยพารามิเตอร์กว่าเมล็ดอื่น ๆ (เช่นพหุนาม) [31] : K (x, x ') = exp (-γ || x-x' || 2) γN0 ภายใต้การตั้งค่านี้ประสิทธิภาพ SVM จะได้รับผลกระทบโดยสามพารามิเตอร์: γ, εและ C (การค้าระหว่างกระชับข้อผิดพลาดและความเรียบของการทำแผนที่ที่) เพื่อลดพื้นที่การค้นหาครั้งแรกที่สองค่าจะถูกตั้งค่าโดยใช้การวิเคราะห์พฤติกรรมเมื่อ [5]: C = 3 (สำหรับการส่งออกมาตรฐาน) และ e = σ = ffiffiffiffi เอ็นพีที่σ = 1.5 / N รΣi = 1 ยังไม่มี (ยี่-Yi) 2 และ y เป็นค่าที่คาดการณ์โดยอัลกอริทึมเพื่อนบ้าน 3 ที่ใกล้ที่สุด พารามิเตอร์ของเคอร์เนล (γ) ก่อให้เกิดผลกระทบที่สูงที่สุดใน SVM ประสิทธิภาพการทำงานที่มีค่าที่มีขนาดใหญ่เกินไปหรือเล็กเกินไปนำไปสู่การคาดการณ์ที่ไม่ดี วิธีการปฏิบัติในการตั้งγคือการเริ่มต้นการค้นหาจากหนึ่งในสุดขั้วแล้วค้นหาต่อตรงกลางของช่วงในขณะที่การเพิ่มขึ้นของประมาณการคาดการณ์

ผลลัพธ์ (ไทย) 3:

การε - ฟังก์ชันการสูญเสียความรู้สึกชุดหลอดตายรอบ
ความผิดพลาดและข้อผิดพลาดเล็ก ๆ ภายในหลอดจะถูกยกเลิก ( รูปที่ 2 ) .
เราจะใช้ kernel ) นิยม ซึ่งแสดงพารามิเตอร์น้อยกว่า
กว่าเนื้ออื่น ๆ ( เช่นพหุนาม ) [ 31 ] : k ( X , X =
EXP ( MBC ) −γ | | X X นั้น | | − 2 ) , γ NO . ภายใต้ การตั้งค่านี้ การแสดง SVM เป็น
ผลกระทบจากพารามิเตอร์ : γสาม ,εและ C ( Trade-off ระหว่างกระชับ
ข้อผิดพลาดและความเรียบของแผนที่ ) เพื่อลดการค้นหาพื้นที่ ,
2 ค่าแรกจะถูกตั้งค่าโดยใช้ฮิวริสติก [ 5 ] : C = 3 ( สำหรับ
ผลผลิตมาตรฐาน ) และ E = ˆσ =
ffiffiffiffi
n
p
ที่σ̂ = 1.5 / N ×Σ = 1
n ( y −̂ผม
ยิ ) 2
Y ̂เป็นค่าคาดการณ์โดย 3-nearest เพื่อนบ้านขั้นตอนวิธี
พารามิเตอร์ของเคอร์เนล ( γ ) สร้างผลกระทบสูงสุดในการแสดง SVM
กับค่าที่มีขนาดใหญ่เกินไปหรือเล็กเกินไปที่นำไปสู่
คาดคะเนที่น่าสงสาร วิธีการปฏิบัติในการตั้งค่าγคือการเริ่มต้นการค้นหาจาก
หนึ่งสุดขั้วแล้วค้นหาต่อตรงกลางของช่วง
ในขณะที่เพิ่มประมาณการพยากรณ์