The robustness of SVM is actually d

The robustness of SVM is actually due to its slightly more sophisticated
characteristics than this large margin view might suggest. In particular,
notwithstanding the largemargin reliability of the classifier, the
algorithmcan still be sensitive to outliers, but SVMs offer the chance to
control the risk of overfitting, also indicated as bias-variance trade off
(Mountrakis et al., 2011), through the tuning of one parameter, called
C. If the value of C is set very large, then the learned hypothesis may
fit the training set very well, but it will fail to generalize to new examples
(predict classes on new pixels); this can be translated also as a
hypothesis with higher variance and lower bias.

ผลลัพธ์ (ไทย) 1:

เสถียรภาพของ SVM มีจริงเนื่องจากซับซ้อนเล็กน้อยลักษณะกว่านี้ดูขอบขนาดใหญ่อาจแนะนำ โดยเฉพาะอย่างไรก็ตามความน่าเชื่อถือ largemargin ของ classifier การalgorithmcan ยังคงมีความไวต่อ outliers แต่ SVMs มีโอกาสที่จะควบคุมความเสี่ยงของ overfitting ระบุเป็นความโน้มเอียงต่างค้าปิด(Mountrakis et al., 2011), ผ่านการปรับแต่งพารามิเตอร์หนึ่ง เรียกว่าC. ถ้าค่าของ C จะมีขนาดใหญ่มาก แล้วเรียนรู้ทฤษฏีอาจพอดีกับการฝึกที่ตั้งดีมาก แต่มันจะไม่ทั่วไปในตัวอย่างใหม่(ทำนายชั้นพิกเซลใหม่); นี้สามารถแปลภาษายังเป็นการสมมติฐานผลต่างสูงขึ้นและลดอคติ

ผลลัพธ์ (ไทย) 2:

ความทนทานของ SVM
เป็นจริงเนื่องจากการซับซ้อนมากขึ้นเล็กน้อยของลักษณะกว่ามุมมองขอบขนาดใหญ่นี้อาจแนะนำ โดยเฉพาะอย่างยิ่งแม้จะมีความน่าเชื่อถือ largemargin ของลักษณนามที่ algorithmcan ยังคงมีความไวต่อค่าผิดปกติ แต่ SVMs มีโอกาสที่จะควบคุมความเสี่ยงของอิง, นอกจากนี้ยังชี้ให้เห็นการค้าอคติแปรปรวนออก(Mountrakis et al., 2011) ผ่าน ปรับพารามิเตอร์หนึ่งที่เรียกว่าซี ถ้าค่าของ C มีการตั้งค่าที่มีขนาดใหญ่มากแล้วสมมติฐานเรียนรู้อาจจะเหมาะสมกับการฝึกอบรมที่กำหนดไว้เป็นอย่างดีแต่มันจะล้มเหลวที่จะพูดคุยกับตัวอย่างใหม่(คาดการณ์ชั้นเรียนเกี่ยวกับพิกเซลใหม่); นี้สามารถแปลเป็นสมมติฐานที่มีความแปรปรวนสูงขึ้นและอคติที่ต่ำกว่า

ผลลัพธ์ (ไทย) 3:

ความทนทานของ SVM เป็นจริงเนื่องจากลักษณะที่ซับซ้อนกว่าเล็กน้อย
ขนาดใหญ่นี้ขอบมุมมองอาจแนะนำ โดย
แม้จะ largemargin ความน่าเชื่อถือของตัว ,
algorithmcan ยังไวผิดปกติ แต่แบบเสนอโอกาส
ควบคุมความเสี่ยงของ overfitting ยังพบว่า ความอคติการค้า
( mountrakis et al . , 2011 )ผ่านการปรับแต่งของหนึ่งพารามิเตอร์ที่เรียกว่า
C . ถ้าค่าของ C จะเป็นชุดใหญ่มาก แล้วเรียนรู้สมมติฐานอาจ
พอดีชุดฝึกได้ดีมาก แต่มันก็ล้มเหลวที่จะลงความเห็นใหม่ตัวอย่าง
( ทำนายเรียนพิกเซลใหม่ ) ; นี้สามารถแปลยังเป็น
สมมติฐานที่มีความแปรปรวนสูง อคติ ลด