As a whole, a Support Vector Machin

As a whole, a Support Vector Machine is a maximal margin hyperplane
in feature space built by using a kernel function in spectral
space. The selection of SVM kernel classifier (along with kernel parameters)
is considered as one of the most important steps in the implementation
of SVM classifier. The lower the number of parameters to
be defined, the higher the robustness of the SVM implementation will
be. Moreover, the selection of the proper kernel functions or proper
parameters of a kernel function is extremely time consuming.

ผลลัพธ์ (ไทย) 1:

ทั้งหมด เครื่องเวกเตอร์สนับสนุนเป็น hyperplane กำไรสูงสุดในพื้นที่ลักษณะพิเศษที่สร้างขึ้น โดยใช้ฟังก์ชันเคอร์เนลในสเปกตรัมพื้นที่ การเลือกของ SVM classifier เคอร์เนล (รวมทั้งเคอร์เนลพารามิเตอร์)ถือว่าเป็นขั้นตอนสำคัญในการดำเนินการอย่างใดอย่างหนึ่งของ classifier SVM ต่ำลงหมายเลขของพารามิเตอร์กำหนด สูงเสถียรภาพของ SVM จะต้องการ นอกจากนี้ การเลือกฟังก์ชันเคอร์เนลที่เหมาะสมหรือเหมาะสมพารามิเตอร์ของฟังก์ชันเคอร์เนลได้มากใช้เวลานาน

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นทั้งเครื่องเวกเตอร์การสนับสนุนเป็นไฮเปอร์เพลอัตรากำไรสูงสุดในพื้นที่คุณลักษณะที่สร้างขึ้นโดยใช้ฟังก์ชันเคอร์เนลในสเปกตรัมพื้นที่ การเลือกลักษณนาม SVM เคอร์เนล (พร้อมกับพารามิเตอร์) ถือเป็นหนึ่งในขั้นตอนที่สำคัญที่สุดในการดำเนินการของลักษณนาม SVM ที่ต่ำกว่าจำนวนพารามิเตอร์ที่จะกำหนดไว้ที่สูงกว่าความแข็งแรงของการดำเนิน SVM จะเป็น นอกจากนี้การเลือกฟังก์ชั่นที่เหมาะสมหรือเคอร์เนลที่เหมาะสมพารามิเตอร์ของฟังก์ชันเคอร์เนลเป็นเวลานานมาก

ผลลัพธ์ (ไทย) 3:

ทั้งสนับสนุนเครื่องเวกเตอร์เป็นกำไรสูงสุดในพื้นที่ที่สร้างขึ้นโดยมีระนาบเกิน

ใช้เคอร์เนลฟังก์ชันในการพื้นที่ การเลือกของ SVM เคอร์เนลลักษณนาม ( พร้อมกับพารามิเตอร์ของเคอร์เนล )
ถือว่าเป็นหนึ่งในขั้นตอนที่สำคัญที่สุดในการดำเนินการ
ของ SVM ลักษณนาม การลดจำนวนของพารามิเตอร์

จะระบุเพิ่มความแกร่งของ SVM ปรับใช้จะ
เป็น นอกจากนี้ การเลือกที่เหมาะสมของฟังก์ชันหรือพารามิเตอร์ที่เหมาะสมของเคอร์เนลฟังก์ชัน
เวลาแสนนาน .