An SVM model is a representation of

An SVM model is a representation of the examples
as points in space, mapped so that the examples
of the separate categories are divided by a clear gap,
which is as wide as possible. New examples are then
mapped into that same space and predicted to belong
to a category based on which side of the gap they fall
on. More formally, a support vector machine constructs
a hyperplane or set of hyperplanes in a high- or infinitedimensional
space, which can be used for classification,
regression, or other tasks. Intuitively, a good separation
is achieved by the hyperplane with the largest distance
to the nearest training-data point of any class (so-called
functional margin), since in general the larger the margin
the lower the generalization error of the classifier.

ผลลัพธ์ (ไทย) 1:

แบบ SVM เป็นการแสดงตัวอย่างเป็นจุดในพื้นที่ แมปดังนั้นตัวอย่างแยกประเภทจะถูกแบ่งออก โดยช่องว่างชัดเจนซึ่งเป็นเป็นไปได้กว้าง ตัวอย่างใหม่อยู่แล้วแมปไว้ในที่เดียวกันพื้นที่ และคาดว่า จะเป็นของประเภทอิงด้านใดของช่องว่าง ที่พวกเขาตกเมื่อ ขึ้นอย่างเป็นทางการ สร้างเครื่องจักรเวกเตอร์สนับสนุนhyperplane หรือชุดของ hyperplanes ในสูง - หรือ infinitedimensionalพื้นที่ ซึ่งสามารถใช้สำหรับการจัดประเภทถดถอย หรืองานอื่น ๆ สังหรณ์ใจ แยกดีทำได้ โดย hyperplane กับระยะทางที่ใหญ่ที่สุดถึงทุกชั้น (เรียกว่าจุดข้อมูลการฝึกอบรมที่ใกล้ที่สุดกำไรที่ทำงาน), ตั้งแต่ขอบโดยทั่วไปมีขนาดใหญ่ลดลงลักษณะทั่วไปข้อผิดพลาดของลักษณนาม

ผลลัพธ์ (ไทย) 2:

รูปแบบ SVM เป็นตัวแทนของตัวอย่าง
เป็นจุดในพื้นที่แมปเพื่อให้ตัวอย่าง
ของการแยกประเภทโดยแบ่งเป็นช่องว่างที่ชัดเจน
ซึ่งเป็นที่กว้างที่สุดเท่าที่ทำได้ ตัวอย่างใหม่จะแล้ว
แมปลงในพื้นที่เดียวกันที่และคาดว่าจะเป็น
หมวดหมู่ตามที่ด้านข้างของช่องว่างที่พวกเขาตกอยู่
ใน อีกอย่างเป็นทางการเครื่องเวกเตอร์สนับสนุนการสร้าง
ไฮเปอร์เพลนหรือชุดของ hyperplanes ในสูงหรือ infinitedimensional
พื้นที่ซึ่งสามารถนำมาใช้สำหรับการจัดหมวดหมู่
การถดถอยหรืองานอื่น ๆ สัญชาตญาณการแยกที่ดี
จะทำได้โดยการไฮเปอร์เพลนที่มีระยะทางที่ใหญ่ที่สุด
ไปยังจุดที่การฝึกอบรมข้อมูลที่ใกล้ที่สุดของชั้นใด ๆ (ที่เรียกว่า
อัตรากำไรขั้นต้นการทำงาน) เนื่องจากโดยทั่วไปที่มีขนาดใหญ่อัตรากำไร
ที่ต่ำกว่าข้อผิดพลาดทั่วไปของลักษณนาม

ผลลัพธ์ (ไทย) 3:

เป็น SVM แบบจำลองเป็นตัวแทนของตัวอย่างเป็นจุดในพื้นที่ที่แมปเพื่อให้ตัวอย่างของประเภทแยกแบ่งช่องว่างที่ชัดเจนซึ่งเป็นที่กว้างที่สุด ตัวอย่างใหม่แล้วแมปในพื้นที่เดียวกัน และคาดว่าจะอยู่ในประเภทขึ้นอยู่กับที่ด้านข้างของพวกเขาล้มลง ช่องว่างบน เพิ่มเติมอย่างเป็นทางการสนับสนุนเวกเตอร์เครื่องจักรโครงสร้างเป็นระนาบเกินหรือชุดของ hyperplanes ในสูง - หรือ infinitedimensionalพื้นที่ซึ่งสามารถใช้สำหรับการการถดถอย หรืองานอื่น ๆ สังหรณ์ใจ , แยกดีได้จากระนาบเกินกับระยะทางที่ใหญ่ที่สุดไปที่จุดของการฝึกอบรมข้อมูลชั้น ( เรียกว่าขอบหน้าที่ เพราะโดยทั่วไปขนาดใหญ่ขอบลดการผิดพลาดของลักษณนาม