Encouraging results were achieved,

Encouraging results were achieved, with the SVM model providing the best performances, outperforming the NN and MR techniques. The overall accura- cies 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 com- putation, 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 ที่ให้ประสิทธิภาพดีที่สุด outperforming NN และนายเทคนิคการ โดยรวม accura cies เป็น 64.3% (T = 0.5) และ 86.8% (T = 1.0) มันควรจะตั้งข้อสังเกตว่า datasets ประกอบด้วยหก/เจ็ดชั้น (จาก 3 ถึง 8/9) และ accuracies เหล่านี้จะดีกว่าที่คาด โดย classifier สุ่ม ในขณะที่ต้อง putation com เพิ่มเติม กระชับ SVM สามารถยังทำได้ภายในเวลาที่เหมาะสมกับตัวประมวลผลปัจจุบัน ตัวอย่าง หนึ่งรันการทดสอบการตรวจสอบข้าม 5-fold ใช้เวลาประมาณ 26 นาที

ผลลัพธ์ (ไทย) 2:

ผลการส่งเสริมให้ประสบความสำเร็จด้วยรูปแบบ SVM ให้การแสดงที่ดีที่สุดดีกว่า NN และ MR เทคนิค Cies accura- โดยรวม 64.3% (T = 0.5) และ 86.8% (T = 1.0) มันควรจะตั้งข้อสังเกตว่าชุดข้อมูลประกอบด้วยหก / เจ็ดชั้นเรียน (ตั้งแต่ 3 ถึง 8/9) และความถูกต้องเหล่านี้จะดีกว่าที่คาดไว้โดยลักษณนามสุ่ม ในขณะที่ต้องสั่งกระบวนการคำนวณมากขึ้นเหมาะสม SVM ยังคงสามารถทำได้ภายในเวลาอันสมควรที่มีโปรเซสเซอร์ในปัจจุบัน ตัวอย่างเช่นหนึ่งในการทำงานของ 5 เท่าการทดสอบการตรวจสอบข้ามจะใช้เวลาประมาณ 26 นาที

ผลลัพธ์ (ไทย) 3:

นิมิตผลยา ด้วยรูปแบบการให้ SVM การแสดงที่ดีที่สุด , outperforming NN และคุณเทคนิค การ accura - รวม cies เป็น 64.3 % ( t = 0.5 ) และ 86.8 % ( t = 1.0 ) มันควรจะสังเกตว่าข้อมูลมีหก / เจ็ดชั้น ( 3 - 8 / 9 ) และความถูกต้องเหล่านี้มีมากดีกว่าที่คาดไว้ โดยสุ่มลักษณนาม ในขณะที่ต้องใช้เพิ่มเติม - putation com ,SVM เหมาะสมยังสามารถทำได้ภายในเวลาที่เหมาะสม กับตัวปัจจุบัน ตัวอย่างเช่นหนึ่งวิ่งของผู้อื่นข้ามการตรวจสอบการทดสอบจะใช้เวลาประมาณ 25 นาที