Here α i are Lagrangian multipliers

Here α i are Lagrangian multipliers and K(x,y)=⟨ϕ(x),ϕ(y)⟩ is a kernel function. The process of solving the optimization problem is known as training the SVM and using the SVM to classify new data is known as testing. The parameter C controls the tradeoff between minimization of training error and maximization of generalization capability. The separating hyperplane is usually written in terms of the Lagrangian Multipliers as

ผลลัพธ์ (ไทย) 1:

ด้วยกองทัพมี Lagrangian multipliers และ K (x, y) = (x), ⟨ϕ⟩ϕ (y) เป็นฟังก์ชันเคอร์เนล เรียกว่า SVM ฝึกกระบวนการแก้ปัญหาเพิ่มประสิทธิภาพ และใช้การ SVM เพื่อจัดประเภทข้อมูลใหม่เรียกว่าการทดสอบ พารามิเตอร์ C ควบคุมยอม maximization generalization ความสามารถและลดภาระของข้อผิดพลาดในการฝึกอบรม Hyperplane แยกมักจะเขียนใน Multipliers Lagrangian เป็น

ผลลัพธ์ (ไทย) 2:

นี่ฉันแอลฟามีตัวคูณลากรองจ์และ K (x, y) = ⟨φ (x), φ (y) ⟩เป็นฟังก์ชันเคอร์เนล กระบวนการของการแก้ปัญหาการเพิ่มประสิทธิภาพเป็นที่รู้จักกัน SVM การฝึกอบรมและการใช้ SVM เพื่อจำแนกข้อมูลใหม่ที่เรียกว่าการทดสอบ พารามิเตอร์ควบคุม C ถ่วงดุลอำนาจระหว่างการลดข้อผิดพลาดของการฝึกอบรมและความสามารถสูงสุดของลักษณะทั่วไป ไฮเปอร์เพลแยกมักจะเขียนในแง่ของตัวคูณลากรองจ์เป็น

ผลลัพธ์ (ไทย) 3:

ที่นี่ฉันมีตัวคูณลากรานจ์αและ K ( x , y ) = ⟨ϕ ( X ) , ϕ ( Y ) ⟩เป็นเคอร์เนลฟังก์ชัน กระบวนการการแก้ไขปัญหาที่เหมาะสมเป็นที่รู้จักกันเป็น SVM โดยใช้ SVM และการฝึกอบรมเพื่อจำแนกข้อมูลใหม่เรียกว่าการทดสอบ พารามิเตอร์ c ควบคุมข้อเสียระหว่างการลดข้อผิดพลาดและสูงสุดของความสามารถทั่วไป .การแบ่งระนาบเกินมักจะเขียนในแง่ของลากรองจ์คูณ เช่น