Encouraging results were achieved,

Encouraging results were achieved, with the SVM model providing the best
performances, outperforming the NN and MR techniques. The overall accuracies
are 64.3% (T = 0.5) and 86.8% (T = 1.0). It should be noted that the
datasets contain six/seven classes (from 3 to 8/9) and these accuracies are much
better than the ones expected by a random classifier. While requiring more computation,
the SVM fitting can still be achieved within a reasonable time with
current processors. For example, one run of the 5-fold cross-validation testing
takes around 26 minutes.

ผลลัพธ์ (ไทย) 1:

สนับสนุนให้สำเร็จ มีแบบ SVM ให้ดีสุดแสดง outperforming เทคนิค NN และนาย Accuracies โดยรวม64.3% (T = 0.5) และ 86.8% (T = 1.0) ควรสังเกตที่การdatasets ประกอบด้วยหก/เจ็ดชั้น (จาก 3 ถึง 8/9) และ accuracies เหล่านี้มีมากดีกว่าที่คาด โดย classifier สุ่ม ในขณะที่ต้องคำนวณเพิ่มเติมกระชับ SVM ยังสามารถทำได้ภายในเวลาที่เหมาะสมกับปัจจุบันตัวประมวลผล ตัวอย่าง หนึ่งรันการทดสอบการตรวจสอบข้าม 5-foldใช้เวลาประมาณ 26 นาที

ผลลัพธ์ (ไทย) 2:

ผลการส่งเสริมให้ประสบความสำเร็จโดยมีรูปแบบการให้บริการที่ดีที่สุด SVM
แสดง outperforming NN และ MR เทคนิค ความถูกต้องโดยรวมอยู่ที่ 64.3% (T = 0.5) และ 86.8% (T = 1.0)
มันควรจะตั้งข้อสังเกตว่าชุดข้อมูลที่มีหก / เจ็ดชั้นเรียน (ตั้งแต่ 3 ถึง 8/9) และความถูกต้องเหล่านี้มีมากดีกว่าคนที่คาดหวังโดยลักษณนามสุ่ม ในขณะที่ต้องคำนวณมากขึ้นกระชับ SVM ยังคงสามารถทำได้ภายในเวลาอันสมควรกับการประมวลผลในปัจจุบัน ตัวอย่างเช่นหนึ่งในการทำงานของ 5 เท่าการทดสอบการตรวจสอบข้ามจะใช้เวลาประมาณ26 นาที

ผลลัพธ์ (ไทย) 3:

นิมิตผลยา ด้วยรูปแบบการให้ SVM การแสดงที่ดีที่สุด
, outperforming NN และคุณเทคนิค
ความถูกต้องโดยรวมเป็น 64.3 % ( t = 0.5 ) และ 86.8 % ( t = 1.0 ) มันควรจะสังเกตว่า
6 / 7 ชั้นข้อมูลประกอบด้วย ( จาก 3 8 / 9 ) และความถูกต้องเหล่านี้มีมาก
มากกว่าตัวที่คาดไว้ โดยสุ่มลักษณนาม ในขณะที่ต้องใช้ในการคำนวณมากขึ้น
SVM เหมาะสมยังสามารถทำได้ภายในเวลาที่เหมาะสมกับ
) ปัจจุบัน ตัวอย่างเช่นหนึ่งวิ่งของผู้อื่นข้ามการตรวจสอบการทดสอบ
ใช้เวลาประมาณ 25 นาที