Classification is one of the most i

Classification is one of the most important tasks for different application such as text categorization, tone
recognition, image classification, micro-array gene expression, proteins structure predictions, data
Classification etc. Most of the existing supervised classification methods are based on traditional statistics,
which can provide ideal results when sample size is tending to infinity. However, only finite samples can
be acquired in practice. In this paper, a novel learning method, Support Vector Machine (SVM), is applied
on different data (Diabetes data, Heart Data, Satellite Data and Shuttle data) which have two or multi class.
SVM, a powerful machine method developed from statistical learning and has made significant achievement in some field. Introduced in the early 90’s, they led to an explosion of interest in machine learning. The foundations of SVM have been developed by Vapnik and are gaining popularity in field of machine learning due to many attractive features and promising empirical performance. SVM method does not suffer the limitations of data dimensionality and limited samples [1] & [2].
In our experiment, the support vectors, which are critical for classification, are obtained by learning from the training samples. In this paper we have shown the comparative results using different kernel functions for all data samples.

ผลลัพธ์ (ไทย) 1:

เป็นประเภทหนึ่งของงานสำคัญที่สุดสำหรับโปรแกรมประยุกต์ต่าง ๆ เช่นการจัดประเภทข้อความ เสียงการรู้ การจัดประเภทภาพ ไมโครอาร์เรย์ยีน คาดการณ์โครงสร้างโปรตีน ข้อมูลฯลฯ การจัดประเภท ส่วนใหญ่วิธีการจัดประเภทที่มีอยู่ตามสถิติดั้งเดิมที่สามารถให้ผลลัพธ์ที่ยอดเยี่ยมเมื่อขนาดตัวอย่างเป็นแนวอนันต์ อย่างไรก็ตาม เท่านั้นมีจำกัดตัวอย่างสามารถได้รับในทางปฏิบัติ ในเอกสารนี้ มีใช้นวนิยายเรียนวิธี สนับสนุนเวกเตอร์เครื่อง (SVM),ข้อมูลต่าง ๆ (โรคเบาหวานข้อมูล ข้อมูลที่พัก ข้อมูลดาวเทียมและส่งข้อมูล) ที่มีสอง หรือหลายชั้นSVM วิธีการเครื่องจักรที่มีประสิทธิภาพพัฒนาจากการเรียนรู้สถิติ และได้สำเร็จอย่างมีนัยสำคัญในบางฟิลด์ แนะนำมณฑลก่อน จะนำไปขยายความน่าสนใจในการเรียนรู้ของเครื่อง รากฐานของ SVM ได้รับการพัฒนา โดย Vapnik และจะได้รับความนิยมในเครื่องเรียนรู้คุณสมบัติที่น่าสนใจมากและประสิทธิภาพผลของสัญญา วิธี SVM ประสบข้อจำกัดของข้อมูล dimensionality และตัวอย่างจำกัด [1] และ [2]ในการทดลองของเรา เวกเตอร์สนับสนุน ซึ่งมีความสำคัญสำหรับการจัดประเภท จะได้รับ โดยเรียนรู้จากตัวอย่างการฝึกอบรม ในเอกสารนี้ เราได้แสดงผลเปรียบเทียบโดยใช้ฟังก์ชันเคอร์เนลที่แตกต่างกันสำหรับตัวอย่างข้อมูลทั้งหมด

ผลลัพธ์ (ไทย) 3:

จัดเป็นหนึ่งในงานที่สำคัญที่สุดสำหรับการประยุกต์ใช้ที่แตกต่างกันเช่นข้อความเสียง
โดยการจำแนกภาพ ไมโครอาเรย์ยีนโปรตีนการทำนายโครงสร้างการจำแนก
ฯลฯ ส่วนใหญ่ของที่มีอยู่มีการจำแนกวิธีตามสถิติเดิม ซึ่งสามารถให้ผลลัพธ์ดีเยี่ยม
เมื่อขนาดตัวอย่างจะพุ่งไปที่อินฟินิตี้อย่างไรก็ตาม เพียงตัวอย่างจำกัดสามารถ
จะได้รับการปฏิบัติ ในกระดาษนี้ , นวนิยายวิธีการเรียนรู้เครื่องเวกเตอร์สนับสนุน ( SVM ) ใช้
ข้อมูลแตกต่างกัน ( เบาหวานข้อมูล หัวใจ ข้อมูลดาวเทียมและข้อมูลรับส่ง ) ซึ่งมีสองหรือหลายชั้นเรียน
SVM ซึ่งเป็นวิธีการที่พัฒนามาจากเครื่องที่มีประสิทธิภาพการเรียนรู้และผลสัมฤทธิ์ทางการเรียนอย่างมีนัยสำคัญทางสถิติ ทำให้ในบางเขต เปิดตัวในช่วงต้น 90 ของพวกเขานำไปสู่การระเบิดของความสนใจในการเรียนรู้เครื่อง รากฐานของ SVM ได้ถูกพัฒนาขึ้นโดย vapnik และกําลังได้รับความนิยมในด้านของการเรียนรู้เครื่องเนื่องจากคุณสมบัติที่น่าสนใจมากมาย และผลงานเชิงประจักษ์ตามสัญญา วิธี SVM ไม่ประสบข้อ จำกัด ของข้อมูล และจำกัด dimensionality &ตัวอย่าง [ 1 ] [ 2 ] .
ในการทดลองของเรา การสนับสนุนเวกเตอร์ที่สำคัญสำหรับการ ที่ได้จากการเรียนรู้จากการฝึกอย่าง ในบทความนี้เราได้แสดงผลเปรียบเทียบการใช้ฟังก์ชัน kernel ที่แตกต่างกันสำหรับข้อมูล
ทุกตัวอย่าง