Additionally, to overcome the probl

Additionally, to overcome the problem of multicollinearity in
linear regression, the ridge regression and principal component
regression are widely used. Moreover, an improved principal
component regression classification (IPCRC), which removes
the mean of each image before applying principal component
analysis and drops the first principal components, can help
to eliminate lighting effects for face classification [10]. Simulation
results reveal that the IPCRC outperforms the conventional
principal component regression classification (PCRC),
the LRC, the ridge regression classification (RRC) and the discriminant-
based approaches for face recognition under illumination
changes.

ผลลัพธ์ (ไทย) 1:

นอกจากนี้ การเอาชนะปัญหา multicollinearity ในถดถอยเชิงเส้น ถดถอยริดจ์ และส่วนประกอบหลักถดถอยถูกใช้อย่างกว้างขวาง นอกจากนี้ การปรับปรุงหลักคอมโพเนนต์การถดถอยการจัดประเภท (IPCRC), ซึ่งเอาความหมายของแต่ละภาพก่อนที่จะใช้ส่วนประกอบหลักสามารถช่วยวิเคราะห์และคอมโพเนนต์หลักแรก หยดเพื่อกำจัดผลของแสงสำหรับการจัดประเภทใบหน้า [10] จำลองผลลัพธ์แสดงว่า IPCRC ที่มีประสิทธิภาพสูงกว่าแบบดั้งเดิมการจัดประเภทการถดถอยที่ส่วนประกอบหลัก (PCRC),lrc เป็นการ การจัดประเภทถดถอยริดจ์ (RRC) และ discriminant-ใช้วิธีการจดจำใบหน้าภายใต้แสงสว่างการเปลี่ยนแปลง

ผลลัพธ์ (ไทย) 2:

นอกจากนี้ที่จะเอาชนะปัญหาของพหุใน
การถดถอยเชิงเส้นถดถอยสันเขาและองค์ประกอบหลัก
ถดถอยใช้กันอย่างแพร่หลาย นอกจากนี้ที่ดีขึ้นหลัก
จำแนกองค์ประกอบถดถอย (IPCRC) ที่เอา
ความหมายของภาพแต่ละภาพก่อนที่จะใช้องค์ประกอบหลัก
วิเคราะห์และการลดลงในองค์ประกอบหลักแรกสามารถช่วย
ในการขจัดผลกระทบของแสงสำหรับการจำแนกใบหน้า [10] จำลอง
ผลการศึกษาพบว่า IPCRC มีประสิทธิภาพดีกว่าเดิม
จำแนกองค์ประกอบหลักถดถอย (PCRC)
LRC ได้, การจัดหมวดหมู่สันถดถอย (RRC) และ discriminant-
วิธีการที่ใช้สำหรับการจดจำใบหน้าภายใต้การส่อง
เปลี่ยนแปลง

ผลลัพธ์ (ไทย) 3:

นอกจากนี้ เพื่อเอาชนะปัญหาของค่าในการถดถอยเชิงเส้น , การถดถอยริดจ์องค์ประกอบมีการใช้กันอย่างแพร่หลาย นอกจากนี้ การปรับปรุงหลักการจำแนกพหุคูณ ( ipcrc ) ซึ่งเอาส่วนประกอบความหมายของแต่ละภาพก่อนที่จะใช้องค์ประกอบหลักการวิเคราะห์องค์ประกอบหลักและหยดแรกจะช่วยให้เพื่อกำจัดผลกระทบที่หน้าหมวดหมู่ [ 10 ] การจำลองผลการศึกษาพบว่า ipcrc มีประสิทธิภาพดีกว่าปกติการจัดองค์ประกอบหลัก ( pcrc )ที่แอลอาร์ซี , จ๋าหมวดหมู่ ( RRC ) และจำแนกประเภท -ตามแนวทางใบหน้าภายใต้รัศมีการเปลี่ยนแปลง