This can be thought of as uncertain

This can be thought of as uncertainty sampling where the algorithm
selects those instances about which it is most uncertain. In
the case of SVMs, the classifier is most uncertain about the
examples that are lying close to the margin of the dividing
hyperplane. Variations of the Simple algorithm - MaxMin and
Ratio methods have been proposed by Tong and Koller [12] ,
which also use SVM as the learner

ผลลัพธ์ (ไทย) 1:

นี้สามารถคิดเป็นความไม่แน่นอนในการสุ่มตัวอย่างอัลกอริทึมการเลือกอินสแตนซ์เหล่านั้นที่ไม่แน่นอนที่สุด ในกรณีของ SVMs, classifier ที่ไม่แน่นอนที่สุดเกี่ยวกับการตัวอย่างที่อยู่ใกล้กับขอบของการหารhyperplane ความแตกต่างของขั้นตอนวิธีง่าย - MaxMin และวิธีอัตราส่วนที่ได้รับการเสนอโดยตอง Koller [12],นอกจากนี้ยังใช้ SVM เป็นผู้เรียน

ผลลัพธ์ (ไทย) 2:

นี้สามารถจะคิดว่าเป็นความไม่แน่นอนของการสุ่มตัวอย่างที่ขั้นตอนวิธีการเลือกกรณีที่เกี่ยวกับการที่มันก็ไม่แน่ใจมากที่สุด ในกรณีที่มีการจำแนกการจําแนกมีความไม่แน่นอนมากที่สุดเกี่ยวกับตัวอย่างที่จะนอนใกล้กับขอบของแบ่งที่ไฮเปอร์เพล รูปแบบของขั้นตอนวิธีง่าย - MaxMin และวิธีอัตราส่วนได้รับการเสนอโดยตองและKoller [12] ซึ่งยังใช้ SVM เป็นผู้เรียน

ผลลัพธ์ (ไทย) 3:

ซึ่งสามารถคิดเป็นจำนวนที่ไม่แน่นอนของ
เลือกอินสแตนซ์เหล่านั้น ซึ่งมันเป็นเรื่องที่ไม่แน่นอนมากที่สุด ใน
กรณีแบบ , ลักษณนามคือความไม่แน่นอนมากที่สุดเกี่ยวกับ
ตัวอย่าง ที่โกหกใกล้ขอบของการหาร
ระนาบเกิน . การเปลี่ยนแปลงของขั้นตอนวิธีง่ายๆ - ราชประยุกต์วิธีการและอัตราส่วน
ได้รับการเสนอ โดย ตอง และ โคลเลอร์ [ 12 ] ,
ซึ่งยังใช้ SVM เป็นผู้เรียน