The concept of SVM (Support Vector

The concept of SVM (Support Vector Machine) was
introduced by Vapnik and co-workers [4]. It gains
popularity because it offers the attractive features and
powerful machinery to tacklethe problem of classification
i.e., we need to know which belongs to which group and
promising empirical performance.
The SVM is based on statistical learning theory. SVM’s
better generalization performance is based on the principle
of Structural Risk Minimization (SRM) [4]. The concept of
SRM is to maximize the margin of class separation. The
SVM was defined for two-class problem and it looked for
optimal hyper-plane, which maximized the distance, the
margin, between the nearest examples of both classes,
named SVM [5]. For information detail about SVM can be
seen in [4,5,6].
We have utilised radial basis function for its kernel
function. The input feature sets were the directional features
(169-dimension). All the SVM’s are trained with the
respective training feature sets and the results explored by
using separate test data which are lowercase and uppercase
letters

ผลลัพธ์ (ไทย) 1:

แนวคิดของ SVM (สนับสนุนเวกเตอร์เครื่อง) ถูก
แนะนำ โดย Vapnik และเพื่อนร่วมงาน [4] มันรับ
ความนิยมเนื่องจากมีคุณสมบัติที่น่าสนใจ และ
เครื่องจักรมีประสิทธิภาพ tacklethe ปัญหาของการแบ่งประเภท
เช่น เราต้องรู้ที่อยู่ในกลุ่มใด และ
สัญญาประสิทธิภาพรวม
SVM ตั้งอยู่บนทฤษฎีการเรียนรู้ทางสถิติ ของ SVM
ประสิทธิภาพ generalization ตามหลัก
ของโครงสร้างความเสี่ยงลดภาระ (SRM) [4] แนวคิดของ
SRM จะขยายไปทางแยกชั้น
SVM ได้กำหนดปัญหาสองชั้น และมันดู
สุดไฮเปอร์เครื่องบิน ที่ขยายใหญ่สุดระยะห่าง การ
ขอบ ระหว่างตัวอย่างที่ใกล้ที่สุดของทั้งสองคลาส,
ชื่อ SVM [5] สำหรับข้อมูล รายละเอียดเกี่ยวกับ SVM ได้
เห็นใน [4,5,6]
เรามีใช้ฟังก์ชันฐานรัศมีสำหรับเคอร์เนลของ
ฟังก์ชัน ชุดคุณลักษณะการป้อนข้อมูลมีลักษณะทิศทาง
(169-dimension) มีการฝึกอบรมทั้งหมดของ SVM มีการ
ชุดฝึกแต่ละคุณลักษณะและผลการสำรวจโดย
ใช้ข้อมูลทดสอบแยกต่างหากซึ่งเป็นตัวพิมพ์เล็ก และพิมพ์ใหญ่
อักษร

ผลลัพธ์ (ไทย) 2:

แนวคิดของ SVM (เวกเตอร์สนับสนุนเครื่อง) ได้รับการ
แนะนำให้รู้จักกับ Vapnik และเพื่อนร่วมงาน [4] มันได้รับ
ความนิยมเพราะมีคุณสมบัติที่น่าสนใจและ
เครื่องจักรที่มีประสิทธิภาพในการแก้ไขปัญหาของการจัดหมวดหมู่ tacklethe
คือเราต้องรู้ซึ่งเป็นของกลุ่มและ
ผลการปฏิบัติงานเชิงประจักษ์สัญญา
SVM อยู่บนพื้นฐานของทฤษฎีการเรียนรู้ทางสถิติ SVM ของ
ประสิทธิภาพการทำงานทั่วไปที่ดีขึ้นเป็นไปตามหลักการ
ของโครงสร้างความเสี่ยงลด (SRM) [4] แนวคิดของ
SRM คือการเพิ่มอัตรากำไรขั้นต้นของการแยกชั้น
SVM ถูกกำหนดสำหรับปัญหาสองระดับและจะมองหา
ที่ดีที่สุดมากเกินไปเครื่องบินซึ่งขยายระยะทางที่
อัตราการทำกำไรระหว่างตัวอย่างที่ใกล้เคียงที่สุดของชั้นเรียนทั้งสอง
ชื่อ SVM [5] เพื่อดูรายละเอียดข้อมูลเกี่ยวกับ SVM สามารถ
มองเห็นได้ใน [4,5,6]
เราได้ใช้ฟังก์ชั่นพื้นฐานรัศมีสำหรับเคอร์เนลของ
ฟังก์ชั่น ชุดคุณลักษณะการป้อนข้อมูลมีคุณสมบัติทิศทาง
(169 มิติ) ทั้งหมด SVM ได้รับการฝึกฝนกับ
ชุดคุณลักษณะการฝึกอบรมตามลำดับและผลการสำรวจโดย
ใช้ข้อมูลการทดสอบแยกต่างหากที่เป็นตัวพิมพ์เล็กและพิมพ์ใหญ่
ตัวอักษร

ผลลัพธ์ (ไทย) 3:

แนวคิดของ SVM ( เครื่องเวกเตอร์สนับสนุน ) คือ
แนะนำโดย vapnik และเพื่อนร่วมงาน [ 4 ] มันได้รับความนิยมเพราะมันมี

เครื่องจักรที่มีประสิทธิภาพและคุณสมบัติที่น่าสนใจ tacklethe ปัญหาการจำแนก
คือ เราต้องรู้ ซึ่งเป็นของกลุ่มใดและ
ผลงานเชิงประจักษ์ตามสัญญา
SVM ตามทฤษฎีการเรียนรู้เชิงสถิติ SVM เป็น
การปฏิบัติการดีขึ้นจะขึ้นอยู่กับหลักการของการลดความเสี่ยง
โครงสร้าง ( SRM ) [ 4 ] แนวคิดของ
SRM คือเพื่อ เพิ่มอัตราของการแยกชั้น
SVM ได้นิยามปัญหาคลาสสอง และตามหา
เครื่องบินที่ดีที่สุด ไฮเปอร์ ซึ่งขยายไกล
ขอบระหว่างตัวอย่างที่ใกล้ที่สุดของทั้งชั้นเรียน
ชื่อ SVM [ 5 ]สำหรับข้อมูลรายละเอียดเกี่ยวกับ SVM สามารถเห็นได้ใน 4,5,6
[ ]
เราได้ใช้ฟังก์ชันเรเดียลเบซิสฟังก์ชันเคอร์เนล
. ใส่ชุดคุณลักษณะเป็นลักษณะทิศทาง
( 169 มิติ ) ทั้งหมดของ SVM กับการฝึกตนฝึก
ชุดคุณลักษณะและผลการสำรวจโดย
โดยใช้ข้อมูลทดสอบแยกที่ตัวพิมพ์เล็กและตัวพิมพ์ใหญ่
ตัวอักษร