Support vector machines (SVMs), pro

Support vector machines (SVMs), proposed by Vapnik [23, 26–28], are used for
creating functions from a set of labeled training data [29]. The function can be a
classification function with binary outputs or it can be a general regression function.
For classification, SVMs operate by attempting to find a hypersurface in the space
of possible inputs that splits the positive examples from the negative examples. The
split will be chosen to have the largest distance from the hypersurface to the nearest
of the positive and negative examples. Intuitively, this makes the classification
correct for testing data that is near, but not identical, to the training data

ผลลัพธ์ (ไทย) 1:

ใช้สำหรับการสนับสนุนแบบเวกเตอร์เครื่อง (SVMs), นำเสนอ โดย Vapnik [23, 26-28],สร้างฟังก์ชันจากข้อมูลการฝึกอบรมป้าย [29] ฟังก์ชันสามารถเป็นจัดประเภทฟังก์ชันแสดงผลไบนารีหรือสามารถฟังก์ชันถดถอยทั่วไปการจัด SVMs มี โดยพยายามค้นหา hypersurface การพื้นที่ของอินพุตสามารถ ที่แยกตัวอย่างบวกจากตัวอย่างลบ ที่จะเลือกแบ่งให้ hypersurface ไประยะใหญ่ใกล้สุดตัวอย่างค่าบวก และค่าลบ สังหรณ์ใจ ทำให้การจัดประเภทแก้ไขการทดสอบข้อมูลที่ใกล้ แต่ไม่ เหมือน ข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

สนับสนุนเครื่องเวกเตอร์ (SVMs) เสนอโดย Vapnik [23, 26-28]
จะใช้สำหรับการสร้างฟังก์ชั่นจากชุดของข้อมูลที่ระบุว่าการฝึกอบรม[29]
ฟังก์ชั่นอาจจะเป็นฟังก์ชั่นการจัดหมวดหมู่ที่มีผลไบนารีหรืออาจจะเป็นฟังก์ชั่นการถดถอยทั่วไป.
สำหรับการจัดหมวดหมู่ SVMs ทำงานโดยพยายามที่จะหา hypersurface
ในพื้นที่ของปัจจัยการผลิตที่เป็นไปได้ที่แยกตัวอย่างในเชิงบวกจากตัวอย่างเชิงลบ
แยกจะได้รับเลือกจะมีระยะทางที่ใหญ่ที่สุดจาก hypersurface
ไปยังที่ใกล้ที่สุดในตัวอย่างที่เป็นบวกและลบ สัญชาตญาณนี้ทำให้การจัดหมวดหมู่ที่ถูกต้องสำหรับข้อมูลการทดสอบที่อยู่ใกล้ แต่ไม่เหมือนกัน, ข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

เครื่องเวกเตอร์สนับสนุน ( แบบ ) ที่เสนอโดย vapnik [ 23 , 26 – 28 ] , มีการใช้สำหรับการสร้างฟังก์ชัน
จากชุดของข้อความการฝึกอบรมข้อมูล [ 29 ] ฟังก์ชันจะเป็นฟังก์ชันที่มีผลการจำแนก
ไบนารีหรือมันสามารถเป็นฟังก์ชันการทั่วไป .
สำหรับการจำแนก แบบใช้งาน โดยพยายามที่จะหาพื้นที่ผิวใน
ของกระผมที่แยกได้จากตัวอย่างตัวอย่างบวกลบ
แยกจะถูกเลือกให้มีระยะทางที่ใหญ่ที่สุดจากผิวที่ใกล้ที่สุด
ของตัวอย่างบวก และลบ สังหรณ์ใจทำให้การแก้ไขข้อมูลการทดสอบ
ที่ใกล้ แต่ไม่เหมือนกัน ข้อมูลการฝึกอบรม