where x i are vectors containing th

where x i are vectors containing the measurements or features of gait data and y i are the corresponding class labels (i.e. +1=pathology, −1 =healthy). The SVM classifier is a linear hyperplane which separates two classes where the distance between the class boundaries to the hyperplane is the hyperplane margin. Data that is not linearly separable is first mapped via a nonlinear function ϕ:x⊂R n →R m n,m∈[1,∞) to a higher dimensioned feature space. The optimal hyperplane is the universal approximatorta

ผลลัพธ์ (ไทย) 1:

ประกอบด้วยการวัดหรือคุณลักษณะของข้อมูลเดินและ y เวกเตอร์ x ที่ฉันมี ฉันมีป้ายชั้นเรียนสอดคล้องกัน (เช่น + 1 =พยาธิ −1 =สุขภาพ) SVM classifier มี hyperplane เส้นที่แยก 2 ชั้นระยะห่างระหว่างขอบเขตของคลาสการ hyperplane อยู่ที่ขอบ hyperplane ก่อนมีแมปข้อมูลที่ไม่ใช่เชิงเส้น separable ผ่านการไม่เชิงเส้นฟังก์ชัน ϕ:x⊂R n →R m n,m∈[1,∞) การ dimensioned คุณลักษณะพื้นที่สูง Hyperplane เหมาะสมที่สุดคือ approximatorta สากล

ผลลัพธ์ (ไทย) 2:

ที่จินเป็นเวกเตอร์ที่มีการวัดหรือคุณลักษณะของข้อมูลและการเดินยี่เป็นฉลากระดับที่สอดคล้องกัน (เช่น + 1 = พยาธิวิทยา, -1 = สุขภาพดี) ลักษณนาม SVM เป็นไฮเปอร์เพลเชิงเส้นที่แยกสองชั้นที่ระยะห่างระหว่างรอยต่อชั้นเรียนเพื่อไฮเปอร์เพลนที่มีอัตรากำไรขั้นต้นไฮเปอร์เพล ข้อมูลที่ไม่ได้แยกเป็นเส้นตรงแมปเป็นครั้งแรกผ่านทางฟังก์ชั่นไม่เชิงเส้นφ: x⊂R n → R ล้านm∈ [1, ∞) ไปยังพื้นที่คุณลักษณะมิติที่สูงขึ้น ไฮเปอร์เพลนที่ดีที่สุดคือ approximatorta สากล

ผลลัพธ์ (ไทย) 3:

โดยที่ x ฉันเป็นเวกเตอร์ที่มีขนาดหรือลักษณะของข้อมูลการเดินและ Y ผมมีป้ายห้องที่สอดคล้องกัน ( เช่น 1 = พยาธิวิทยา − 1 = สุขภาพดี ) SVM ลักษณนามเป็นเส้นระนาบเกินซึ่งแยกสองวิชาซึ่งระยะห่างระหว่างขอบเขตของชั้นกับระนาบเกินเป็นระนาบเกินขอบ ข้อมูลที่ไม่แบ่งแยกเชิงเส้นเป็นครั้งแรกที่แมปผ่านฟังก์ชันไม่เชิงเส้นϕ :x ⊂ R n R → keyboard - key - name M N , M ∈ [ 1 , ∞ ) สูงกว่า dimensioned คุณลักษณะพื้นที่ ระนาบเกินที่เหมาะสมเป็น approximatorta สากล