Abstract In this paper, we show tha

Abstract In this paper, we show that decomposition methods with alpha seeding
are extremely useful for solving a sequence of linear SVMs with more data
than attributes. This strategy is motivated from (Keerthi and Lin 2003) which
proved that for an SVM with data not linearly separable, after C is large enough,
the dual solutions are at the same face. We explain why a direct use of decomposition
methods for linear SVMs is sometimes very slow and then analyze why
alpha seeding is much more effective for linear than nonlinear SVMs. We also
conduct comparisons with other methods which are efficient for linear SVMs, and
demonstrate the effectiveness of alpha seeding techniques for helping the model
selection

ผลลัพธ์ (ไทย) 1:

บทคัดย่อในกระดาษนี้ เราแสดงการแยกส่วนประกอบวิธีการกับเมล็ดอัลฟามีประโยชน์มากสำหรับการแก้ลำดับของ SVMs เชิงเส้นกับข้อมูลกว่าแอตทริบิวต์ กลยุทธ์นี้คือแรงจูงใจ (Keerthi และ 2003 หลิน) ซึ่งพิสูจน์ที่สำหรับ SVM มีข้อมูลไม่เชิงเส้น separable หลังจากที่ C มีขนาดใหญ่เพียงพอโซลูชั่นสองอยู่ที่หน้าเดียวกัน เราอธิบายเหตุผลใช้แยกส่วนประกอบโดยตรงวิธีสำหรับ SVMs เส้นบางมากช้าแล้ว วิเคราะห์เหตุผลเมล็ดอัลฟาจะมีประสิทธิภาพมากสำหรับเส้นกว่า SVMs ไม่เชิงเส้น เรายังดำเนินการเปรียบเทียบกับวิธีอื่น ๆ ที่มีประสิทธิภาพสำหรับ SVMs เชิงเส้น และแสดงให้เห็นถึงประสิทธิภาพของเทคนิคปลูกอัลฟาช่วยแบบเลือก

ผลลัพธ์ (ไทย) 2:

บทคัดย่อในบทความนี้เราจะแสดงว่าวิธีการสลายตัวด้วยเมล็ดอัลฟามีประโยชน์อย่างมากสำหรับการแก้ลำดับของการจำแนกเชิงเส้นที่มีข้อมูลมากขึ้นกว่าคุณลักษณะ กลยุทธ์นี้เป็นแรงบันดาลใจมาจาก (Keerthi และหลิน 2003) ซึ่งได้รับการพิสูจน์ว่าสำหรับSVM กับข้อมูลไม่แยกเป็นเส้นตรงหลังจากที่ C มีขนาดใหญ่พอโซลูชั่นคู่อยู่ที่หน้าเหมือนกัน เราจะอธิบายว่าทำไมใช้โดยตรงของการสลายตัววิธีการจำแนกเชิงเส้นเป็นบางครั้งช้ามากแล้ววิเคราะห์ว่าทำไมเมล็ดอัลฟาจะมีประสิทธิภาพมากขึ้นสำหรับการเชิงเส้นกว่าSVMs ไม่เชิงเส้น นอกจากนี้เรายังดำเนินการเปรียบเทียบกับวิธีการอื่น ๆ ที่มีประสิทธิภาพสำหรับการจำแนกเชิงเส้นและแสดงให้เห็นถึงประสิทธิภาพของเทคนิคการเพาะอัลฟาในการช่วยให้รูปแบบการเลือก

ผลลัพธ์ (ไทย) 3:

บทคัดย่องานวิจัยนี้แสดงให้เห็นว่าวิธีการสลายแอลฟา 1
มีประโยชน์มาก สำหรับการแก้เป็นลำดับแบบเชิงเส้นที่มีข้อมูลเพิ่มเติม
กว่าแอตทริบิวต์ กลยุทธ์นี้เป็นแรงบันดาลใจจาก ( keerthi และหลิน 2003 ) ซึ่งพิสูจน์แล้วว่าเป็น SVM
ข้อมูลไม่แบ่งแยกเชิงเส้น หลัง C มีขนาดใหญ่พอ
โซลูชั่นสองอยู่ในหน้าเดียวกัน เราอธิบายได้ว่า ทำไมการใช้โดยตรงของการสลายตัว
วิธีการแบบเชิงเส้นคือบางครั้งช้ามากและวิเคราะห์แล้วทำไม
อัลฟ่าเมล็ดมีประสิทธิภาพมากสำหรับเชิงเส้นมากกว่าแบบไม่เชิงเส้น นอกจากนี้เรายังจัดการกับวิธีอื่น
เปรียบเทียบซึ่งมีประสิทธิภาพในแบบเชิงเส้น และแสดงให้เห็นถึงประสิทธิภาพของอัลฟ่า
เพาะเทคนิคช่วยเลือกรุ่น