Whereas concerning the linearity of

Whereas concerning the linearity of classifiers, SVMs can be adapted
in order to develop complex nonlinear classifiers mainly by means of
technique called kernel tricks. In order to solve for the parameters in a
computationally efficient way, only kernel functions that satisfy
Mercer's Theorem are valid kernel in SVMs (Scholkopf and Smola,
2001).

ผลลัพธ์ (ไทย) 1:

ในขณะที่เกี่ยวกับแบบดอกไม้ของคำนามภาษา SVMs สามารถดัดแปลงการพัฒนาคำนามภาษาไม่เชิงเส้นซับซ้อนส่วนใหญ่โดยวิธีของเทคนิคที่เรียกว่าเคอร์เนลเทคนิค เพื่อหาค่าพารามิเตอร์ในการวิธีที่มีประสิทธิภาพ computationally เฉพาะฟังก์ชันเคอร์เนลที่ตอบสนองทฤษฎีบทของเซ็ตต์เป็นเคอร์เนลที่ถูกต้องใน SVMs (Scholkopf และ Smola2001)

ผลลัพธ์ (ไทย) 2:

ในขณะที่ที่เกี่ยวข้องกับความเป็นเชิงเส้นของตัวจําแนกที่ SVMs สามารถนำมาปรับเพื่อพัฒนาแยกแยะไม่เชิงเส้นที่ซับซ้อนโดยส่วนใหญ่ใช้วิธีการเทคนิคที่เรียกว่าเทคนิคเคอร์เนล เพื่อที่จะแก้ปัญหาสำหรับพารามิเตอร์ที่ในวิธีที่มีประสิทธิภาพคอมพิวเตอร์ฟังก์ชันเคอร์เนลเดียวที่ตอบสนองความทฤษฎีบทของเมอร์เซอร์เป็นเคอร์เนลถูกต้องในSVMs (Scholkopf และ Smola, 2001)

ผลลัพธ์ (ไทย) 3:

ส่วนเรื่องความถี่ของคำแบบสามารถดัดแปลง
เพื่อพัฒนาซับซ้อนเชิงเส้น คือส่วนใหญ่โดยวิธีการของ
เทคนิคที่เรียกว่าเมล็ดเคล็ดลับ เพื่อแก้ปัญหาสำหรับพารามิเตอร์ใน
computationally วิธีที่มีประสิทธิภาพเพียงเคอร์เนลฟังก์ชันที่ตอบสนอง
ทฤษฎีบทของเมอร์เซอร์เป็นเคอร์เนลในแบบที่ถูกต้อง ( และ scholkopf smola
, 2001 )