Support Vector Machines have recent

Support Vector Machines have recently gained popularity for their performance
and efficiency in many settings. SVM’s have also shown promising recent results
in RS. Kang and Yoo [46], for instance, report on an experimental study that aims
at selecting the best preprocessing technique for predicting missing values for an
SVM-based RS. In particular, they use SVD and Support Vector Regression. The
Support Vector Machine RS is built by first binarizing the 80 levels of available user
preference data. They experiment with several settings and report best results for a
threshold of 32 – i.e. a value of 32 and less is classified as prefer and a higher value
as do not prefer. The user id is used as the class label and the positive and negative
values are expressed as preference values 1 and 2.

ผลลัพธ์ (ไทย) 1:

สนับสนุนเวกเตอร์เครื่องเพิ่งได้รับความนิยมในการปฏิบัติและ efficiency ในการตั้งค่ามากมาย ของ SVM ได้แสดงแนวโน้มล่าสุดผลในโรงแรมอาร์เอส แกงและอยู่ [46], เช่น รายงานเกี่ยวกับการศึกษาที่มีวัตถุประสงค์ที่เลือกดีสุดในการประมวลผลเบื้องต้นสำหรับการคาดการณ์ค่าที่ขาดหายไปสำหรับเทคนิคการโดย SVM RS โดยเฉพาะอย่างยิ่ง พวกเขาใช้ SVD และสนับสนุนเวกเตอร์ถดถอย ที่สนับสนุนเวกเตอร์เครื่อง RS ถูกสร้างขึ้น โดย first binarizing ระดับ 80 มีผู้กำหนดลักษณะข้อมูล พวกเขาทดลองกับการตั้งค่าต่าง ๆ และรายงานผลลัพธ์ที่ดีที่สุดสำหรับการขีดจำกัดของ 32 – เช่นค่า ของ 32 และน้อยกว่าเป็น classified ตามต้องการและมูลค่าสูงไม่ต้องการ ผู้จะใช้เป็นป้ายชื่อคลาสและในแง่บวก และลบค่าจะแสดงเป็นค่ากำหนดลักษณะ 1 และ 2

ผลลัพธ์ (ไทย) 2:

สนับสนุนเครื่องเวกเตอร์เมื่อเร็ว ๆ นี้ได้รับความนิยมสำหรับการทำงานของพวกเขา
และประสิทธิภาพการไฟในการตั้งค่าต่างๆ SVM ได้แสดงให้เห็นว่ายังมีแนวโน้มผลล่าสุด
ในอาร์เอส คังและยู [46] ตัวอย่างเช่นรายงานเกี่ยวกับการศึกษาทดลองที่มีจุดมุ่งหมาย
ในการเลือกเทคนิคการประมวลผลเบื้องต้นที่ดีที่สุดในการทำนายค่าที่ขาดหายไปสำหรับ
อาร์เอส SVM ตาม โดยเฉพาะอย่างยิ่งพวกเขาใช้ SVD และการสนับสนุนเวกเตอร์ถดถอย
สนับสนุนเครื่องเวกเตอร์อาร์เอสที่ถูกสร้างขึ้นโดยสายแรก binarizing 80 ระดับของผู้ใช้ที่มีอยู่
ข้อมูลการตั้งค่า พวกเขาทดลองกับการตั้งค่าหลายและรายงานผลที่ดีที่สุดสำหรับ
เกณฑ์ของ 32 - คือมูลค่าของ 32 และน้อยคือจัดประเภทเป็นที่ต้องการและค่าที่สูงขึ้น
ในขณะที่ไม่ชอบ รหัสผู้ใช้จะใช้เป็นป้ายชื่อชั้นและบวกและลบ
ค่าที่จะแสดงเป็นค่าการตั้งค่าที่ 1 และ 2

ผลลัพธ์ (ไทย) 3:

เครื่องเวกเตอร์สนับสนุนได้รับเมื่อเร็ว ๆนี้ได้รับความนิยมสำหรับการแสดงของพวกเขาและ EF
ถ่ายทอดประสิทธิภาพในการตั้งค่าหลาย SVM ก็ยังแสดงผลแนวโน้มล่าสุดใน อาร์เอส และ ยูคัง
[ 46 ] , ตัวอย่างรายงานการศึกษาทดลองที่มุ่งที่การเลือกเทคนิคการเตรียม
ที่ดีที่สุดสำหรับทำนายค่าสูญหายสำหรับ
SVM จากอาร์เอส โดยเฉพาะอย่างยิ่งที่พวกเขาใช้ SVD สนับสนุนเวกเตอร์และการถดถอย
สนับสนุนเวกเตอร์เครื่องจักร RS ถูกสร้างขึ้นโดยจึงตัดสินใจเดินทาง binarizing 80 ระดับของการตั้งค่าข้อมูลผู้ใช้
พร้อม พวกเขาทดลองกับการตั้งค่าต่าง ๆ และรายงานผลที่ดีที่สุดสำหรับ
( 32 –เช่นค่าของ 32 และน้อยเป็น classi จึงเอ็ดตามที่ชอบ และสูงกว่าค่า
ที่ไม่ชอบ ไอดีที่ใช้เป็นห้องเรียน ฉลาก และบวกและลบ
ค่าแสดงเป็นค่าค่า
1 และ 2