The second point to note about the

The second point to note about the update equation is the subtraction of lambda*P from the update direction. This effectively regularizes the solution from growing too large; a procedure that is often applied in machine-learning algorithms to promote generalization to unseen data. The scaling factor lambda is user defined and is usually problem dependent. However, a small value typically works well for learning patch models for facial feature detection.

ผลลัพธ์ (ไทย) 1:

จุดที่สองให้ทราบเกี่ยวกับการปรับปรุงสมการเป็นลบของแลมบ์ดา * P จากทิศทางที่ปรับปรุง นี้ได้อย่างมีประสิทธิภาพ regularizes โซลูชันขนาดใหญ่เกินไป ขั้นตอนที่มักจะใช้ในอัลกอริทึมเครื่องเรียนรู้เพื่อส่งเสริมการ generalization ข้อมูล unseen แลมบ์ดาตัวคูณมาตราส่วนเป็นผู้กำหนด และมักจะขึ้นอยู่กับปัญหา อย่างไรก็ตาม ค่าขนาดเล็กทำงานโดยปกติดีสำหรับเรียนรุ่นแพทช์คุณลักษณะหน้าตรวจ

ผลลัพธ์ (ไทย) 2:

จุดที่สองที่จะต้องทราบเกี่ยวกับการปรับปรุงสมการเป็นลบของแลมบ์ดา * P จากทิศทางการปรับปรุง นี้ได้อย่างมีประสิทธิภาพ regularizes การแก้ปัญหาจากการเจริญเติบโตมีขนาดใหญ่เกินไป; ขั้นตอนที่มักจะถูกนำไปใช้ในขั้นตอนวิธีการเรียนรู้เครื่องเพื่อส่งเสริมการทั่วไปกับข้อมูลที่มองไม่เห็น แลมบ์ดาปัจจัยปรับเป็นผู้กำหนดและเป็นปัญหาขึ้นมักจะ แต่ค่าขนาดเล็กมักจะทำงานได้ดีสำหรับการเรียนรู้รูปแบบแพทช์สำหรับตรวจสอบคุณสมบัติบำรุงผิวหน้า

ผลลัพธ์ (ไทย) 3:

จุดที่สองที่ต้องทราบเกี่ยวกับการปรับปรุงสมการคือการลบแลมบ์ดา * P จากการปรับปรุงทิศทาง นี้มีประสิทธิภาพ regularizes โซลูชั่นจากการเติบโตมีขนาดใหญ่เกินไป ; วิธีการที่มักจะใช้ในเครื่องเรียนรู้กลไกการส่งเสริมการข้อมูลที่มองไม่เห็น การปรับปัจจัยแลมบ์ดาเป็นผู้ใช้กำหนดและมักจะเกิดปัญหาขึ้นกับ อย่างไรก็ตามค่าขนาดเล็กมักจะทำงานได้ดีสำหรับการเรียนรู้แก้ไขรูปแบบคุณลักษณะการตรวจหาใบหน้า