For both tasks and all error metric

For both tasks and all error metrics, the SVM is the best choice. The differences are higher for small tolerances and in particular for the white wine (e.g. for T=0.25, the SVM accuracy is almost two times better when compared to other methods). This effect is clearly visible when plotting the full REC curves (Fig. 3). The Kappa statistic [33] measures the accuracy when compared with a random classifier (which presents a Kappa value of 0%). The higher the statistics, the more accurate the result. The most practical tolerance values are T = 0.5 and T = 1.0. The former tolerance rounds the regression response into the nearest class, while the latter accepts a response that is correct within one of the two closest classes (e.g. a 3.1 value can be interpreted as grade 3 or 4 but not 2 or 5). For T=0.5, the SVM accuracy improvement is 3.3 pp for red wine (6.2 pp for Kappa), a value that increases to 12.0 pp for the white task (20.4 pp for Kappa).

ผลลัพธ์ (ไทย) 1:

ทั้งงานและเครื่องมือวัดผิดพลาดทั้งหมด SVM เป็นทางเลือกดีที่สุด ความแตกต่างจะยอมรับขนาดเล็ก และโดยเฉพาะอย่างยิ่งสำหรับไวน์ขาวสูง (เช่นสำหรับ T = 0.25 ความถูกต้องของ SVM กว่าเกือบสองเท่าเมื่อเทียบกับวิธีอื่น ๆ) ลักษณะพิเศษนี้จะมองเห็นได้ชัดเจนเมื่อพล็อตเส้นโค้ง REC เต็ม (Fig. 3) สถิติ Kappa [33] วัดความถูกต้องเมื่อเปรียบเทียบกับ classifier สุ่ม (ซึ่งแสดงค่า Kappa เท่ากับ 0%) สถิติสูง ความถูกต้องมากขึ้นผลการ สุดยอมรับค่าเป็นค่า T = 0.5 และ T = 1.0 ยอมรับอดีตปัดตอบถดถอยลงในชั้นที่ใกล้ที่สุด ในขณะที่จะยอมรับการตอบสนองที่ถูกต้องภายในหนึ่งกับสองคลาสที่ใกล้เคียงที่สุด (เช่นค่า 3.1 สามารถตีเป็นเกรด 3 หรือ 4 แต่ไม่ 2 หรือ 5) สำหรับ T = 0.5 ปรับปรุงความถูกต้องของ SVM เป็น 3.3 pp สำหรับไวน์แดง (6.2 pp สำหรับกัปปะ), ค่าที่เพิ่มขึ้น 12.0 pp สำหรับงานสีขาว (ยัง 20.4 pp สำหรับกัปปะ)

ผลลัพธ์ (ไทย) 2:

สำหรับงานทั้งในและตัวชี้วัดข้อผิดพลาดทั้งหมด SVM เป็นตัวเลือกที่ดีที่สุด ความแตกต่างที่สูงขึ้นสำหรับความคลาดเคลื่อนขนาดเล็กและโดยเฉพาะอย่างยิ่งสำหรับไวน์ขาว (เช่น T = 0.25, ความถูกต้อง SVM เป็นเกือบสองเท่าที่ดีขึ้นเมื่อเทียบกับวิธีอื่น ๆ ) ผลกระทบนี้จะมองเห็นได้ชัดเจนเมื่อพล็อตกราฟบันทึกเต็มรูปแบบ (รูปที่. 3) สถิติคัปปา [33] มาตรการความถูกต้องเมื่อเทียบกับลักษณนามสุ่ม (ที่นำเสนอค่า Kappa 0%) สูงกว่าสถิติที่ถูกต้องมากขึ้นผลที่ตามมา ค่าความทนทานต่อการปฏิบัติมากที่สุดคือ T = 0.5 และ T = 1.0 รอบการตอบสนองความอดทนอดีตถดถอยลงในระดับที่ใกล้ที่สุดในขณะที่หลังรับการตอบสนองที่ถูกต้องภายในหนึ่งของทั้งสองเรียนที่ใกล้เคียงที่สุด (เช่นค่า 3.1 สามารถตีความได้เกรด 3 หรือ 4 แต่ไม่ 2 หรือ 5) สำหรับ T = 0.5, การปรับปรุงความถูกต้อง SVM คือ 3.3 pp ได้สำหรับไวน์แดง (6.2 pp ได้สำหรับคัปปา) ค่าที่เพิ่มขึ้น 12.0 pp ได้สำหรับงานสีขาว (20.4 pp ได้สำหรับคัปปา)

ผลลัพธ์ (ไทย) 3:

ทั้งงานและวัดข้อผิดพลาดทั้งหมด , SVM เป็นทางเลือกที่ดีที่สุด ความแตกต่างสูง ความคลาดเคลื่อนเล็กและโดยเฉพาะอย่างยิ่งสำหรับไวน์ขาว ( เช่น t = 0.25 , SVM ความถูกต้องเป็นเกือบ 2 เท่าเมื่อเทียบกับวิธีอื่น ๆ ) ผลกระทบนี้จะมองเห็นได้อย่างชัดเจนเมื่อพล็อตเส้นโค้งอยู่เต็ม ( รูปที่ 3 )สถิติ Kappa [ 33 ] วัดความถูกต้องเมื่อเทียบกับแบบสุ่ม ( ซึ่งนำเสนอแคปปาค่า 0 % ) สูงกว่าสถิติที่ถูกต้องมากขึ้นเป็นผล ความอดทนที่เป็นประโยชน์มากที่สุดค่า t = t = 0.5 และ 1.0 อดีตความอดทนรอบการตอบสนองในระดับที่ใกล้ที่สุดในขณะที่หลังรับการตอบสนองที่ถูกต้องภายในหนึ่งของคลาส 2 ใกล้ ( เช่น 3.1 ค่าสามารถตีความเป็นเกรด 3 หรือ 4 แต่ไม่ใช่ 2 หรือ 5 ) สำหรับ t = 0.5 , SVM ความถูกต้องคือการปรับปรุง 3.3 PP สำหรับไวน์แดง ( 6.2 PP สำหรับ Kappa ) มูลค่าที่เพิ่มขึ้น 12.0 PP สำหรับงานขาว ( 20.4 PP สำหรับคัป )