Support vector machine (SVM) is a p

Support vector machine (SVM) is a popular supervised learning algorithm achieved much success in classification problems in both single output and multi-output cases. Despite this fact, SVM has some limitations, for example, in terms of the accuracy when data are not linearly separable. One of the well-known tricks for tackling this obstacle is using kernel functions in the base model of SVM which map all data into a higher or infinite dimension space called feature space. We propose polar coordinate system as an efficient technique for mapping data and improving the accuracy of SVM in some datasets. Hence, the current research is assigned to extending SVM model to polar one for single and multi-output cases. Also, the proposed SVM may be combined with kernel functions to outperform traditional non-linear SVM. The performance of the proposed model is compared with traditional one to affirm the superiority of polar SVM.

ผลลัพธ์ (ไทย) 1:

เครื่องสนับสนุนเวกเตอร์ (SVM) เป็นอัลกอริทึมนิยมดูแลเรียนรู้ประสบความสำเร็จมากในการจำแนกปัญหาในออกเดี่ยวและออกหลายกรณี แม้ข้อเท็จจริงนี้ SVM มีบางข้อจำกัด เช่น ในแง่ของความถูกต้องเมื่อข้อมูลไม่เชิงเส้น separable หนึ่งในเทคนิคที่รู้จักกันดีสำหรับรับมือกับปัญหาอุปสรรคนี้จะใช้ฟังก์ชันเคอร์เนลในรุ่นพื้นฐานของ SVM ซึ่งแผนที่ข้อมูลสูงขึ้นหรือพื้นที่ขนาดอนันต์ที่เรียกว่าคุณลักษณะพื้นที่ทั้งหมด เราเสนอระบบพิกัดเชิงขั้วเป็นเทคนิคมีประสิทธิภาพสำหรับการแมปข้อมูล และปรับปรุงความแม่นยำของ SVM ในชุดข้อมูลบางอย่าง ด้วยเหตุนี้ การวิจัยในปัจจุบันกำหนดให้ขยายแบบ SVM ไปขั้วเดี่ยว และหลายผลลัพธ์ในกรณี ยัง SVM เสนออาจใช้ร่วมกับฟังก์ชันเคอร์เนลการ SVM สมบัติดั้งเดิมดีกว่า ประสิทธิภาพของรูปแบบนำเสนอเปรียบเทียบกับแบบหนึ่งเพื่อยืนยันความเหนือกว่าของ SVM ขั้วโลก

ผลลัพธ์ (ไทย) 2:

เวกเตอร์สนับสนุนเครื่อง (SVM) เป็นที่นิยมภายใต้การดูแลการเรียนรู้ขั้นตอนวิธีการประสบความสำเร็จมากในการแก้ปัญหาการจัดหมวดหมู่ในการส่งออกทั้งเดียวและหลายกรณีการส่งออก แม้จะมีความจริงนี้ SVM มีข้อ จำกัด บางอย่างเช่นในแง่ของความถูกต้องเมื่อข้อมูลไม่ได้แยกเป็นเส้นตรง หนึ่งในเทคนิคที่รู้จักกันดีสำหรับการแก้ปัญหาอุปสรรคนี้เป็นฟังก์ชั่นการใช้เมล็ดในรูปแบบฐานของ SVM แผนที่ซึ่งข้อมูลทั้งหมดในพื้นที่มิติที่สูงขึ้นหรือที่เรียกว่าพื้นที่ที่ไม่มีที่สิ้นสุดคุณลักษณะ เรานำเสนอระบบพิกัดเชิงขั้วเป็นเทคนิคที่มีประสิทธิภาพสำหรับข้อมูลแผนที่และการปรับปรุงความถูกต้องของ SVM ในชุดข้อมูลบางส่วน ดังนั้นการวิจัยในปัจจุบันได้รับมอบหมายให้ขยายรูปแบบ SVM ให้เป็นหนึ่งในขั้วโลกสำหรับกรณีเดียวและหลายเอาท์พุท นอกจากนี้ SVM เสนออาจจะรวมกับฟังก์ชั่นเคอร์เนลดีกว่าแบบดั้งเดิมที่ไม่ใช่เชิงเส้น SVM ประสิทธิภาพการทำงานของการนำเสนอรูปแบบถูกเมื่อเทียบกับแบบหนึ่งเพื่อยืนยันขั้วโลกเหนือกว่าของ SVM

ผลลัพธ์ (ไทย) 3:

เครื่องเวกเตอร์สนับสนุน ( SVM ) เป็นขั้นตอนวิธีที่นิยมการเรียนรู้แบบ Supervised Learning สําเร็จมากในการจำแนกปัญหาต่างๆ ทั้งในและส่งออกผลลัพธ์เดียวหลายกรณี แม้จะมีความเป็นจริงนี้ , SVM มีข้อจำกัด ตัวอย่างเช่น ในแง่ของความถูกต้องเมื่อข้อมูลไม่สามารถแบ่งแยกเชิงเส้น . หนึ่งในเทคนิคที่รู้จักกันดีสำหรับการแก้ปัญหาอุปสรรคนี้คือการใช้ฟังก์ชันเคอร์เนลในรูปแบบพื้นฐานของ SVM ซึ่งข้อมูลแผนที่ทั้งหมดเป็นอนันต์มิติพื้นที่ที่สูงขึ้นหรือเรียกว่ามีพื้นที่ เราเสนอพิกัดเชิงขั้วเป็นเทคนิคที่มีประสิทธิภาพสำหรับข้อมูลแผนที่ และปรับปรุงความถูกต้องของ SVM ในชุดข้อมูล ดังนั้น การวิจัยในปัจจุบันถูกกำหนดให้ขยายแบบ SVM หนึ่งขั้วโลกสำหรับเดียวและหลายกรณีส่งออก นอกจากนี้ การนำ SVM อาจรวมกับฟังก์ชันเคอร์เนลที่จะ outperform SVM แบบดั้งเดิม ประสิทธิภาพของแบบจำลองเปรียบเทียบกับแบบดั้งเดิมเพื่อยืนยันความเหนือกว่าของขั้วโลก SVM .