Although the basic formulation of S

Although the basic formulation of Support Vector Machines is for binary
classifiers, i.e., those with only two classes, they can be used for classification into
multiple classes as follows: If there are N classes, we build N classifiers, with
classifier i performing a binary classification, classifying a point either as in class
i or not in class i. Given a point, each classifier i also outputs a value indicating
how related a given point is to class i. We then apply all N classifiers on a given
point, and choose the class for which the relatedness value is the highest.

ผลลัพธ์ (ไทย) 1:

แม้ว่าสูตรพื้นฐานของเครื่องเวกเตอร์สนับสนุนสำหรับการจําแนก
ไบนารีคือผู้ที่มีเพียงสองชั้นเรียนที่พวกเขาสามารถใช้สำหรับการจัดหมวดหมู่ในชั้นเรียนหลาย
ดังนี้ถ้ามีชั้นเรียน n เราสร้างตัวจําแนก n มีลักษณนาม
ผม การดำเนินการจัดหมวดหมู่ไบนารีจำแนกจุดไม่ว่าจะเป็นในชั้นเรียน
ผมหรือไม่ได้อยู่ใน Class I จุดที่กำหนด,ลักษณนามแต่ละฉันยังเอาท์พุทค่าที่แสดงให้เห็น
วิธีที่เกี่ยวข้องกับจุดที่กำหนดคือการ Class I จากนั้นเราจะใช้ตัวจําแนกทั้งหมด n ในประเด็น
ที่กำหนดและเลือกชั้นเรียนที่ค่าความสัมพันธ์สูงสุดคือ

ผลลัพธ์ (ไทย) 2:

แม้ว่าจะกำหนดพื้นฐานของเครื่องสนับสนุนเวกเตอร์สำหรับไบนารี
คำนามภาษา เช่น ผู้ที่ มีชั้นสองเท่านั้น สามารถใช้สำหรับการจัดประเภทเป็น
หลายคลาดัง: ถ้ามีเรียน N เราสร้างคำนามภาษา N กับ
classifier ผมทำประเภทไบนารี ประเภทจุดใดในชั้น
ฉันหรือไม่ในระดับฉันได้ กำหนดจุด classifier ละผมยังแสดงผลบ่งชี้ว่า ค่า
เกี่ยวข้องวิธีจุดกำหนดจะเรียนฉัน เราจากนั้นให้ใช้คำนามภาษา N ทั้งหมดบนการกำหนด
ชี้ และเลือกระดับค่า relatedness มีสูงสุด

ผลลัพธ์ (ไทย) 3:

แม้ว่าหลักพื้นฐานของการสนับสนุนหรือเครื่องสำหรับไบนารี
classifiers เช่นผู้ที่มีเพียงสองชั้นเรียนซึ่งสามารถใช้สำหรับการแบ่ง ประเภท เข้าไปในชั้นเรียน
หลายตัวเป็นดังนี้:หากมีชั้นเรียน n เราจะสร้าง classifiers N พร้อมด้วยผม
ซึ่งจะช่วยลักษณนามการการแบ่ง ประเภท ไบนารีที่แยกตาม ประเภท ต่างๆคือจุดที่ทั้งในระดับ First Class
ผมหรือไม่ได้อยู่ในระดับ I ให้จุดที่ฉันข้าวแต่ละห้องยังเอาต์พุต
ซึ่งจะช่วยมอบความคุ้มค่าที่ระบุว่าการที่เกี่ยวข้องกับจุดเชื่อมต่อที่ระบุเป็น Class I จากนั้นเราจะใช้ทั้งหมด classifiers n
ซึ่งจะช่วยให้จุดที่และเลือกระดับ First Class ที่มอบความคุ้มค่า relatedness ที่เป็นระดับสูงสุด