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). To
−ε 0 +ε Fig.2. Example of a multilayer perceptron with 3 inputs, 2 hidden nodes and one
reduce the search space, the first two values will be set using the heuristics [4]:
C = 3 (for a standardized output) and ε = σ /√N, where σ = 1.5/N × Ni=1(yi −
y )2 and y is the value predicted by a 3-nearest neighbor algorithm. The kernel i
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:

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) ถึง −ε 0 + ε Fig.2 ตัวอย่างของเพอร์เซปตรอนหลายชั้นมี 3 อินพุต 2 ซ่อนโหน และหนึ่ง ลดพื้นที่การค้นหา สองค่าจะถูกตั้งค่าโดยใช้การลองผิดลองถูก [4]:C = 3 (สำหรับผลผลิตที่เป็นมาตรฐาน) และε =σ /√N ที่σ = 1.5/N × Ni = 1 (−ยี่ y) 2 และ y คือ ค่าที่ทำนาย โดยอัลกอริทึม 3 ใกล้บ้าน เคอร์เนลฉันพารามิเตอร์ (γ) ก่อให้เกิดผลกระทบสูงสุดในการ SVM ประสิทธิภาพ ค่าที่มีขนาดใหญ่เกินไป หรือเล็กเกินไปนำไปคาดคะเนยาก วิธีปฏิบัติตั้งγจะเริ่มต้นการค้นหาที่สุดหนึ่ง และจากนั้น ค้นหาไปทางตรงกลางของช่วงในขณะที่การประเมินคาดการณ์เพิ่ม

ผลลัพธ์ (ไทย) 2:

เราจะนำมาใช้เคอร์เนลเกาส์ยอดนิยมที่นำเสนอพารามิเตอร์น้อยกว่าเมล็ดอื่น ๆ (เช่นพหุนาม) [25]: K (x, x ') = exp (-γ || x - x' || 2), γ> 0 ภายใต้การตั้งค่านี้ประสิทธิภาพ SVM รับผลกระทบจากสามพารามิเตอร์: γ, εและC (การค้าระหว่างกระชับข้อผิดพลาดและความเรียบของการทำแผนที่ที่) เพื่อ-ε 0 + εรูปที่ 2 ตัวอย่างของหลาย Perceptron มี 3 ปัจจัยการผลิต 2 โหนดหนึ่งที่ซ่อนอยู่และลดพื้นที่การค้นหาเป็นครั้งแรกที่สองค่าจะถูกตั้งค่าโดยใช้การวิเคราะห์พฤติกรรมส่วน[4]: C = 3 (สำหรับการส่งออกมาตรฐาน) และε = σ / √N, ที่σ = 1.5 / N ร Ni = 1 (ยี่ - y) ที่ 2 และ y ที่เป็นค่าที่คาดการณ์โดยอัลกอริทึมเพื่อนบ้าน 3 ที่ใกล้ที่สุด ฉันเคอร์เนลพารามิเตอร์ (γ) ก่อให้เกิดผลกระทบต่อผลการดำเนินงานที่สูงที่สุดใน SVM ที่มีค่าที่มีขนาดใหญ่เกินไปหรือเล็กเกินไปที่จะคาดการณ์ชั้นนำที่น่าสงสาร วิธีการปฏิบัติในการตั้งγคือการเริ่มต้นการค้นหาจากหนึ่งในสุดขั้วแล้วค้นหาต่อตรงกลางของช่วงขณะที่การเพิ่มขึ้นของประมาณการคาดการณ์

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 )

−ε 0 ε fig.2 . ตัวอย่างของเพอร์เซปตรอนหลายชั้น มี 3 ปัจจัย2 ซ่อนโหนดและหนึ่ง
ลดการค้นหาพื้นที่สองค่าแรกจะถูกตั้งค่าโดยใช้ฮิวริสติก [ 4 ] :
c = 3 ( สำหรับการแสดงผลมาตรฐาน ) และε = σ / √ N ที่σ = 1.5/n × N = 1 ( ยี−
Y ) 2 และ y เป็นค่าพยากรณ์ โดย 3-nearest เพื่อนบ้านขั้นตอนวิธี kernel ผม
พารามิเตอร์ ( γ ) สร้างผลกระทบสูงสุดในการแสดง SVM ,กับค่าที่มีขนาดใหญ่เกินไปหรือเล็กเกินไปที่นำไปสู่การคาดการณ์ที่น่าสงสาร วิธีการปฏิบัติในการตั้งค่าγคือการเริ่มต้นการค้นหาจากหนึ่งในขั้วแล้วค้นหาต่อตรงกลางของช่วงในขณะที่เพิ่มประมาณการพยากรณ์