This paper proposes a new approach

This paper proposes a new approach to classification reliability called version space
support vector machines (VSSVM). Their main advantage compared with previous
approaches to classification reliability is that they are not based on classificationreliability
parameter(s) and thus do not require learning any thresholds. The
experiments show that VSSVM achieve accuracy of 100% on the instances they
are able to classify when it is possible to maintain version spaces containing the
target hyperplane or its close approximations and the level of noise is low.
We foresee two future directions of research. The first one is to extend VSSVM
for classification tasks with more than two classes. The second direction is to apply
VSSVM when it is not possible to find consistent hyperplanes w.r.t. the training
data. In this context we consider to apply the generalized version spaces [7]

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนอวิธีการความน่าเชื่อถือการจัดประเภทที่เรียกว่าพื้นที่รุ่นใหม่สนับสนุนเครื่องแบบเวกเตอร์ (VSSVM) ประโยชน์หลักของพวกเขาเมื่อเทียบกับก่อนหน้านี้แนวทางการจัดประเภทความน่าเชื่อถือได้ว่า พวกเขาไม่ยึด classificationreliabilityพารามิเตอร์ และจึง ไม่จำเป็นต้องเรียนรู้ขีดจำกัดใด ๆ ที่การทดลองแสดงว่า VSSVM ให้ถูกต้อง 100% บนอินสแตนซ์เหล่านั้นสามารถจัดประเภทเป็นการรักษาช่องว่างรุ่นที่ประกอบด้วยการเป้าหมาย hyperplane หรือปิดเป็นเพียงการประมาณ และระดับเสียงจะต่ำเราเล็งเห็นสองทิศทางในอนาคตของงานวิจัย แรกคือการ ขยาย VSSVMสำหรับงานประเภทที่มีมากกว่าสองชั้น เส้นทางที่สองคือการ ใช้VSSVM เมื่อไม่สามารถค้นหา w.r.t. hyperplanes สอดคล้องในการฝึกข้อมูล ในบริบทนี้ เราพิจารณาการใช้ช่องว่างรุ่นเมจแบบทั่วไป [7]

ผลลัพธ์ (ไทย) 2:

กระดาษนี้นำเสนอแนวทางใหม่ในการจัดหมวดหมู่ความน่าเชื่อถือที่เรียกว่าพื้นที่รุ่นเครื่องเวกเตอร์สนับสนุน (VSSVM)
ประโยชน์หลักของพวกเขาเมื่อเทียบกับก่อนหน้านี้วิธีการจัดหมวดหมู่ความน่าเชื่อถือก็คือพวกเขาไม่ได้อยู่บนพื้นฐานของ classificationreliability พารามิเตอร์ (s) จึงไม่จำเป็นต้องมีการเรียนรู้เกณฑ์ใด ๆ การทดลองแสดงให้เห็นว่า VSSVM บรรลุความถูกต้องของ 100% ในกรณีที่พวกเขามีความสามารถที่จะจัดเมื่อมันเป็นไปได้ที่จะรักษาช่องว่างรุ่นที่มีไฮเปอร์เพลเป้าหมายหรือใกล้เคียงใกล้ชิดและระดับของเสียงอยู่ในระดับต่ำ. เราคาดหวังสองทิศทางในอนาคตของการวิจัย คนแรกคือการขยาย VSSVM สำหรับงานการจัดหมวดหมู่ที่มีมากกว่าสองชั้น ทิศทางที่สองคือการใช้VSSVM เมื่อมันเป็นไปไม่ได้ที่จะหา hyperplanes สอดคล้อง wrt การฝึกอบรมข้อมูล ในบริบทนี้เราจะพิจารณาเพื่อนำไปใช้ช่องว่างรุ่นทั่วไป [7]

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอวิธีการใหม่ในการเรียกความเชื่อมั่นรุ่นอวกาศ
สนับสนุนเวกเตอร์เครื่องจักร ( vssvm ) ประโยชน์หลักของพวกเขาเมื่อเทียบกับวิธีก่อนหน้านี้
การจำแนกประเภทความน่าเชื่อถือที่พวกเขาจะไม่อิงพารามิเตอร์ classificationreliability
( s ) จึงไม่ต้องมีการเรียนรู้มีธรณีประตู
การทดลองแสดงให้เห็นว่า vssvm บรรลุความถูกต้อง 100 % บนอินสแตนซ์ของพวกเขา
สามารถแบ่งเมื่อมันเป็นไปได้ที่จะรักษารุ่นเป็นที่มีเป้าหมายหรือการปิดของระนาบเกิน
และระดับของสัญญาณรบกวนต่ำ .
เราล่วงรู้สองทิศทางในอนาคตของการวิจัย หนึ่งคือ การขยาย vssvm
สำหรับการประมวลผลงานที่มีมากกว่าสองคลาสแนวทางที่สองคือการใช้
vssvm เมื่อมันเป็นไปไม่ได้ที่จะหาที่สอดคล้อง hyperplanes w.r.t. การฝึกอบรม
ข้อมูล ในบริบทนี้เราพิจารณาที่จะใช้แบบรุ่นที่เป็น [ 7 ]