For all error metrics, the SVM is t

For all error metrics, the SVM is the best choice. The differences are higher for
small tolerances (e.g. for T = 0.25, the SVM accuracy is almost two times better
when compared to other methods). This effect is clearly visible when plotting the
full REC curves (Fig. 3). The Kappa statistic [26] measures the accuracy when
compared with a random classifier (which presents a Kappa value of 0%). The
higher the statistic, the more accurate the result. The most practical tolerance
values are T = 0.5 and T = 1.0. The former tolerance rounds the regression
response into the nearest class, while the latter accepts a response that is correct
within one of the two closest classes (e.g. a 3.1 value can be interpreted as grade
3 or 4 but not 2 or 5). For T = 0.5, the SVM accuracy improvement is 11.7

ผลลัพธ์ (ไทย) 1:

สำหรับการวัดผิดพลาดทั้งหมด SVM เป็นทางเลือกดีที่สุด ความแตกต่างสูงขึ้นสำหรับยอมรับขนาดเล็ก (สำหรับ T = 0.25 ความถูกต้องของ SVM กว่าเกือบสองเท่าเมื่อเทียบกับวิธีอื่น ๆ) ลักษณะพิเศษนี้จะมองเห็นได้ชัดเจนเมื่อพล็อต(Fig. 3) โค้ง REC เต็ม สถิติ Kappa [26] วัดความถูกต้องเมื่อเมื่อเทียบกับ classifier สุ่ม (ซึ่งแสดงค่า Kappa เท่ากับ 0%) ที่สูงสถิติ ความถูกต้องมากขึ้นผลการ การยอมรับที่สุดค่าคือ T = 0.5 และ T = 1.0 ยอมรับอดีตปัดการถดถอยตอบในชั้นที่ใกล้ที่สุด ในขณะที่จะยอมรับการตอบสนองที่ถูกต้องหนึ่งกับสองคลาสที่ใกล้เคียงที่สุด (เช่นค่า 3.1 สามารถตีความเป็นเกรด3 หรือ 4 แต่ไม่ 2 หรือ 5) สำหรับ T = 0.5 ปรับปรุงความถูกต้องของ SVM เป็น 11.7

ผลลัพธ์ (ไทย) 2:

สำหรับตัวชี้วัดที่ข้อผิดพลาดทั้งหมด SVM เป็นตัวเลือกที่ดีที่สุด ความแตกต่างที่สูงขึ้นสำหรับความคลาดเคลื่อนเล็ก ๆ (เช่น T = 0.25, ความถูกต้อง SVM เป็นเกือบสองเท่าที่ดีกว่าเมื่อเทียบกับวิธีอื่นๆ ) ผลกระทบนี้จะมองเห็นได้ชัดเจนเมื่อพล็อตเส้นโค้งบันทึกเต็มรูปแบบ (รูปที่. 3) สถิติคัปปา [26] มาตรการความถูกต้องเมื่อเทียบกับลักษณนามสุ่ม(ที่นำเสนอค่า Kappa 0%) สูงกว่าสถิติที่ถูกต้องมากขึ้นผลที่ตามมา ความอดทนปฏิบัติมากที่สุดค่า T = 0.5 และ T = 1.0 รอบความอดทนอดีตถดถอยการตอบสนองในชั้นเรียนที่ใกล้ที่สุดในขณะที่หลังรับการตอบสนองที่ถูกต้องภายในหนึ่งของทั้งสองเรียนที่ใกล้เคียงที่สุด(เช่นค่า 3.1 สามารถตีความได้เกรด3 หรือ 4 แต่ไม่ 2 หรือ 5) สำหรับ T = 0.5, การปรับปรุงความถูกต้อง SVM เป็น 11.7

ผลลัพธ์ (ไทย) 3:

สำหรับวัดข้อผิดพลาดทั้งหมด , SVM เป็นทางเลือกที่ดีที่สุด ความแตกต่างสูง
ความคลาดเคลื่อนเล็ก ( เช่น t = 0.25 , SVM ความถูกต้องเกือบสองเท่า
เมื่อเทียบกับวิธีการอื่น ๆ ) ผลกระทบนี้จะมองเห็นได้อย่างชัดเจนเมื่อพล็อต
โค้งอยู่เต็ม ( รูปที่ 3 ) สถิติ Kappa [ 26 ] วัดความถูกต้องเมื่อ
เมื่อเทียบกับแบบสุ่ม ( ซึ่งนำเสนอแคปปาค่า 0 % )
สูงกว่าสถิติที่ถูกต้องมากขึ้น ผลที่ได้ ในทางปฏิบัติมากที่สุดความอดทน
ค่า t = t = 0.5 และ 1.0 อดีตความอดทนรอบการตอบสนองในคลาส
ใกล้ ในขณะที่หลังรับการตอบสนองที่ถูกต้อง
ภายในหนึ่งของคลาส 2 ใกล้ ( เช่น 3.1 ค่าสามารถตีความเป็นเกรด
3 หรือ 4 แต่ไม่ใช่ 2 หรือ 5 ) สำหรับ t = 0.5 , SVM ความถูกต้องคือการปรับปรุงตัวเลข