All the four investigated models of

All the four investigated models offer comparable classification accuracies. The choice of the one to use is, therefore, problem dependent. The classical ELM algorithm yields usually good testing accuracy while being fast to train and fast to apply to new data. The MLELM fusion of SVM's loss function and ELM's feature transformation performs poorly, because it is often unacceptably slow to train and yields accuracy similar to the classical ELM algorithm. The SVM offers state-of-the art accuracy, it is however more expensive than the ELM to both train and apply to new data. The LSSVM often matches or surpasses SVM's accuracy, and its training algorithm is simpler that the one used for SVM. However, its application to new data requires processing of the whole training set, which can be unacceptable for certain applications.

ผลลัพธ์ (ไทย) 1:

ทุกรุ่นสอบสวนสี่ให้แม่นการจำแนกเปรียบเทียบ ทางเลือกหนึ่งที่จะใช้จึง ปัญหาขึ้น อัลกอริทึมเอล์มคลาสสิกผลการทดสอบความแม่นมักจะรวดเร็วใน การฝึกและรวดเร็วใน การนำไปใช้กับข้อมูลใหม่ ฟิวชั่น MLELM ของ SVM สูญเสียและการเปลี่ยนแปลงคุณลักษณะของ ELM ทำได้ไม่ดี เนื่องจากมันมักจะมีกลิ่นเหม็นเพื่อฝึก และให้ความแม่นยำที่คล้ายกับอัลกอริทึมเอล์มคลาสสิก การ SVM มีความถูกต้องของรัฐนอกจากนี้ มันเป็นแต่แพงกว่า ELM ฝึก และนำไปใช้กับข้อมูลใหม่ LSSVM มักจะตรงกับ หรือเกินกว่าความถูกต้องของ SVM และอัลกอริทึมของการฝึกอบรมเป็นที่หนึ่งใช้สำหรับ SVM ง่าย อย่างไรก็ตาม การประยุกต์ใช้ข้อมูลที่ต้องการประมวลผลของชุดการฝึกอบรมทั้งหมด ซึ่งอาจจะไม่ยอมรับโปรแกรมประยุกต์บางโปรแกรม

ผลลัพธ์ (ไทย) 2:

ทั้งสี่รุ่นมีการตรวจสอบความถูกต้องจำแนกเทียบเคียง ทางเลือกหนึ่งที่จะใช้จึงเป็นปัญหาที่เกิดขึ้น คลาสสิก ELM อัตราผลตอบแทนขั้นตอนวิธีการทดสอบความถูกต้องมักจะดีในขณะที่การที่รวดเร็วในการฝึกอบรมและรวดเร็วนำไปใช้กับข้อมูลใหม่ ฟิวชั่น MLELM ของฟังก์ชั่นการสูญเสียของ SVM และการเปลี่ยนแปลงคุณลักษณะของ ELM ประสิทธิภาพต่ำเพราะมันมักจะช้าไม่น่ารับการฝึกอบรมและผลตอบแทนถัวเฉลี่ยความถูกต้องคล้ายกับอัลกอริทึม ELM คลาสสิก SVM มีรัฐของความถูกต้องศิลปะมันมี แต่ราคาแพงกว่า ELM ไปทั้งรถไฟและนำไปใช้กับข้อมูลใหม่ LSSVM มักจะตรงหรือเกินกว่าความถูกต้อง SVM และขั้นตอนวิธีการฝึกอบรมจะง่ายที่หนึ่งที่ใช้สำหรับ SVM อย่างไรก็ตามการประยุกต์ใช้กับข้อมูลใหม่ที่ต้องการการประมวลผลของชุดการฝึกอบรมทั้งหมดซึ่งสามารถเป็นที่ยอมรับไม่ได้สำหรับการใช้งานบางอย่าง

ผลลัพธ์ (ไทย) 3:

ทั้งหมดสี่รุ่นมีการตรวจสอบเทียบเคียงความถูกต้อง . ทางเลือกของคนที่ใช้ ดังนั้นปัญหาที่ขึ้นอยู่กับ ขั้นตอนวิธี Elm คลาสสิกน้ำหนักที่ถูกต้องทดสอบมักจะดีในขณะที่การอย่างรวดเร็วเพื่อฝึกและรวดเร็วสมัครข้อมูลใหม่ การ mlelm ฟิวชั่นของฟังก์ชันการสูญเสีย SVM และ Elm คุณลักษณะแปลงแสดงไม่ดี เพราะมันมักจะ unacceptably ช้าในรถไฟ และน้ำหนักที่ถูกต้องคล้ายกับขั้นตอนวิธี Elm คลาสสิก SVM เสนอรัฐของความถูกต้องศิลปะ มันเป็น แต่แพงกว่าเอมทั้งรถไฟและใช้ข้อมูลใหม่ การ lssvm มักจะตรงกับ หรือเกินกว่า SVM ของความถูกต้องและขั้นตอนวิธีการฝึกอบรมง่ายกว่าคนที่ใช้สำหรับ SVM . อย่างไรก็ตาม การประยุกต์ใช้ข้อมูลใหม่ต้องมีการประมวลผลชุดการฝึกทั้งหมดซึ่งสามารถใช้สำหรับการใช้งานบางอย่าง