Up until this point, our discussion

Up until this point, our discussion has focused solely on how support vector machines
can be used for binary classification tasks. We will now describe two of the
most popular ways to turn a binary classifier, such as a support vector machine,
into a multi-class classifier. These approaches are relatively simple to implement
and have been shown to be work effectively.
The first technique is called the one versus all (OVA) approach. Suppose that
we have aK ≥ 2 class classification problem. The OVA approach works by training
K classifiers. When training the kth classifier, the kth class is treated as the
positive class and all of the other classes are treated as the negative class. That is,
each classifier treats the instances of a single class as the positive class, and the
remaining instances are the negative class. Given a test instance x, it is classified
using all K classifiers. The class for x is the (positive) class associated with the
classifier that yields the largest value of w · x. That is, if wc is the “class c versus
not class c” classifier, then items are classified according to:

ผลลัพธ์ (ไทย) 1:

จนถึงจุดนี้ สนทนาของเราและมุ่งแต่เพียงผู้เดียวในวิธีสนับสนุนเครื่องเวกเตอร์ใช้สำหรับงานประเภทไบนารี เราตอนนี้จะอธิบายถึงสองตัวนิยมวิธีลักษณนามแบบไบนารี เครื่องเวกเตอร์การสนับสนุนเป็นลักษณนามที่หลายระดับ วิธีการเหล่านี้ค่อนข้างง่ายต่อการใช้และได้รับการแสดงที่จะทำงานได้อย่างมีประสิทธิภาพเทคนิคแรกคือหนึ่งเมื่อเทียบกับวิธีการทั้งหมด (OVA) สมมติว่าเรามี aK ≥ 2 ระดับการจัดประเภทปัญหา วิธี OVA ที่ทำงาน โดยการฝึกอบรมคำนามภาษา K ฝึกจำแนก kth คลา kth ถือว่าเป็นการชั้นและชั้นอื่น ๆ ทั้งหมดจะถือว่าเป็นระดับเชิงลบบวก นั่นก็คือลักษณนามแต่ละอินสแตนซ์ของคลาสที่เดียวถือว่าเป็นคลาบวก และชั้นลบอินสแตนซ์ที่เหลืออยู่ กำหนดอินสแตนซ์ที่ทดสอบ x มันจัดใช้คำหลักภาษา K ทั้งหมด คลาสสำหรับ x เป็นชั้น (บวก) ที่เกี่ยวข้องกับการลักษณนามว่าค่ามากสุดของ w · x. นั่นคือ ถ้า wc "คลาส c เมื่อเทียบกับลักษณนามไม่คลาส c" จากนั้นสินค้าจะถูกจัดประเภทตาม:

ผลลัพธ์ (ไทย) 2:

จนมาถึงจุดนี้การสนทนาของเราได้มุ่งเน้น แต่เพียงผู้เดียวเกี่ยวกับวิธีการสนับสนุนเครื่องเวกเตอร์
สามารถนำมาใช้สำหรับงานการจัดหมวดหมู่ไบนารี ตอนนี้เราจะอธิบายสอง
วิธีที่นิยมมากที่สุดในการเปิดลักษณนามไบนารีเช่นการสนับสนุนเครื่องเวกเตอร์
เป็นลักษณนามหลายระดับ วิธีการเหล่านี้จะค่อนข้างง่ายที่จะใช้
และได้รับการแสดงให้เห็นว่าการทำงานได้อย่างมีประสิทธิภาพ
เทคนิคแรกเรียกว่าหนึ่งเมื่อเทียบกับทั้งหมด (OVA) วิธีการ สมมติว่า
เรามี AK ≥ปัญหาการจัดหมวดหมู่ 2 ชั้น วิธี OVA ทำงานโดยการฝึกอบรม
ลักษณนาม K เมื่อการฝึกอบรมลักษณนาม KTH คลาส KTH จะถือว่าเป็น
ระดับที่เป็นบวกและทุกชั้นเรียนอื่น ๆ จะถือว่าเป็นระดับที่เป็นลบ นั่นคือ
แต่ละลักษณนามถือว่ากรณีของชั้นเดียวเป็นระดับที่เป็นบวกและ
อินสแตนซ์ที่เหลือเป็นระดับที่เป็นลบ ได้รับการทดสอบเช่น X ก็จะถูกจำแนก
โดยใช้ลักษณนาม K ทั้งหมด ชั้นสำหรับ X เป็น (บวก) ระดับที่เกี่ยวข้องกับการ
จําแนกที่ทำให้ค่าที่ใหญ่ที่สุดของ W x · นั่นคือถ้า wc คือ "Class C เมื่อเทียบกับการ
ไม่ Class C" ลักษณนามแล้วรายการจะถูกจัดแบ่งตาม:

ผลลัพธ์ (ไทย) 3:

มาจนถึงจุดนี้ การสนทนาของเราได้มุ่งเน้น แต่เพียงผู้เดียวในวิธีการสนับสนุนเวกเตอร์เครื่องจักรสามารถใช้สำหรับงานประเภทไบนารี ตอนนี้เราจะอธิบาย สอง ของวิธีที่นิยมมากที่สุดเพื่อเปิดแบบไบนารีเช่นสนับสนุนเวกเตอร์เครื่องจักรเป็นหลายชั้นลักษณนาม วิธีเหล่านี้จะค่อนข้างง่ายที่จะใช้และได้รับการแสดงเพื่อให้ทำงานได้อย่างมีประสิทธิภาพเทคนิคแรก เรียกว่า หนึ่งต่อทั้งหมด ( OVA ) วิธีการ สมมติว่าขณะนี้มี AK ≥คลาส 2 หมวดหมู่ปัญหา พหูพจน์วิธีการทำงานโดยการฝึกอบรมK คือ เมื่อการฝึกอบรม kth ลักษณนาม , kth ถือว่าเป็นคลาสเรียนบวกกับห้องอื่นๆถือว่าเป็นระดับที่เป็นลบ นั่นคือแต่ละตัวถือว่าอินสแตนซ์ของคลาสเดียวกับเรียนบวกและอินสแตนซ์ที่เหลืออยู่ระดับติดลบ ได้รับการทดสอบตัวอย่าง X มันเป็นความลับการใช้คำลักษณนาม K ทั้งหมด ชั้นเรียนสำหรับ X ( บวก ) ชั้นเรียนที่เกี่ยวข้องกับลักษณนามว่าผลผลิตมูลค่าที่ใหญ่ที่สุดของ W ด้วยเอ็กซ์ นั่นคือ ถ้าห้องเป็น " Class C เมื่อเทียบกับไม่มันไม่ใช่คลาส C " ตัว แล้วรายการจะแบ่งตาม :