The paper presents a Multi-class Su

The paper presents a Multi-class Support Vector Machine classifier and its application to hypothyroid detection and classification. Support Vector Machines (SVM) have been well known method in the machine learning community for binary classification problems. Multi-class SVMs (MCSVM) are usually implemented by combining several binary SVMs. The objective of this work is to show: first, robustness of various kind of kernels for Multi-class SVM classifier, second, a comparison of different constructing methods for Multi-class SVM, such as One-Against-One and One-Against-All, and finally comparing the classifiers' accuracy of Multi-class SVM classifier to AdaBoost and Decision Tree. The simulation results show that One-Against-All Support Vector Machines (OAASVM) are superior to One-Against-One Support Vector Machines (OAOSVM) with polynomial kernels. The accuracy of OAASVM is also higher than AdaBoost and Decision Tree classifier on hypothyroid disease datasets from UCI machine learning dataset.

ผลลัพธ์ (ไทย) 1:

กระดาษแสดง classifier เครื่องเวกเตอร์สนับสนุนหลายชั้นและการประยุกต์การตรวจ hypothyroid และจัดประเภท เครื่องสนับสนุนเวกเตอร์ (SVM) ได้รู้จักวิธีในเครื่องการเรียนรู้ชุมชนสำหรับปัญหาประเภทไบนารี มักจะมีใช้ SVMs หลายชั้น (MCSVM) โดย SVMs หลายแบบไบนารี วัตถุประสงค์ของงานนี้คือการ แสดง: เสถียรภาพแรก ประเภทต่าง ๆ ของเมล็ด classifier SVM หลายชั้น สอง เปรียบเทียบความแตกต่างในวิธีการสร้างในหลายคลาส SVM หนึ่งต่อหนึ่งและหนึ่งต่อทั้งหมด และสุดท้าย เปรียบเทียบความถูกต้องของคำนามภาษาของ classifier SVM หลายคลาส AdaBoost และต้นไม้การตัดสินใจ ผลการทดลองแสดงว่า เวกเตอร์หนึ่งกับทั้งหมดสนับสนุนเครื่องจักร (OAASVM) เป็นห้องกับเวกเตอร์กับหนึ่งสนับสนุนในเครื่อง (OAOSVM) กับเมล็ดพหุนาม ความถูกต้องของ OAASVM ก็สูงกว่า classifier AdaBoost และต้นไม้การตัดสินใจในโรค hypothyroid datasets จาก UCI เครื่องเรียนชุดข้อมูล

ผลลัพธ์ (ไทย) 2:

กระดาษที่มีการจัดแยกประเภทเครื่องเวกเตอร์การสนับสนุนหลายระดับและการประยุกต์ใช้ในการตรวจจับและการจำแนก hypothyroid สนับสนุนเครื่องเวกเตอร์ (SVM) ได้รับวิธีการที่รู้จักกันดีในชุมชนการเรียนรู้เครื่องสำหรับปัญหาการจัดหมวดหมู่ไบนารี หลายระดับ SVMs (MCSVM) จะดำเนินการมักจะโดยการรวมจำแนกแบบหลาย วัตถุประสงค์ของงานนี้คือการแสดงแรกความทนทานของประเภทต่างๆของเมล็ดสำหรับลักษณนาม SVM หลายชั้นที่สองการเปรียบเทียบวิธีการที่แตกต่างกันสำหรับอาคาร SVM หลายระดับเช่นเดียวกับ-One และ One-Against- ทั้งหมดและในที่สุดเมื่อเปรียบเทียบกับความถูกต้องลักษณนามของลักษณนาม SVM หลายชั้น AdaBoost และต้นไม้การตัดสินใจ ผลการจำลองแสดงให้เห็นว่าหนึ่งกับทุกการสนับสนุนเครื่องเวกเตอร์ (OAASVM) จะดีกว่าหนึ่งกับหนึ่งสนับสนุนเครื่องเวกเตอร์ (OAOSVM) กับเมล็ดพหุนาม ความถูกต้องของ OAASVM ยังสูงกว่า AdaBoost และลักษณนามต้นไม้การตัดสินใจเกี่ยวกับชุดข้อมูลโรค hypothyroid จากชุดการเรียนรู้เครื่อง UCI

ผลลัพธ์ (ไทย) 3:

กระดาษที่นำเสนอการสนับสนุนหลายชั้นแบบเวกเตอร์เครื่องและการประยุกต์ใช้ในการตรวจหาไฮโปไทรอยด์และการจำแนก . เครื่องเวกเตอร์สนับสนุน ( SVM ) ได้รับการรู้จักกันดีวิธีในชุมชนการเรียนรู้เครื่องสำหรับปัญหาการจำแนกประเภทไบนารี แบบหลายชั้น ( mcsvm ) มักจะใช้โดยรวมแบบหลายไบนารี วัตถุประสงค์ของงานนี้คือการแสดงครั้งแรกความแกร่งของชนิดต่างๆของเมล็ดสำหรับหลายชั้น SVM ลักษณนาม , ที่สอง , การเปรียบเทียบที่แตกต่างกันวิธีการสร้างคลาสสำหรับ SVM หลาย เช่นเดียวกับหนึ่งและหนึ่งกับทั้งหมด และสุดท้าย การเปรียบเทียบคำลักษณนามหลายชั้น ' ความถูกต้องของ SVM และเพื่อ adaboost ต้นไม้ตัดสินใจผลการจำลองแบบแสดงให้เห็นว่าหนึ่งกับทุกเครื่องเวกเตอร์สนับสนุน ( oaasvm ) เหนือกว่าหนึ่งกับหนึ่งที่สนับสนุนเครื่องเวกเตอร์ ( oaosvm ) เมล็ดโพลิโนเมียล ความถูกต้องของ oaasvm ยังสูงกว่า adaboost และต้นไม้การตัดสินใจแบบในโรคไฮโปไทรอยด์ข้อมูลจาก UCI การเรียนรู้ของเครื่องวันที่ .