loss. A computationally efficient m

loss. A computationally efficient method to set H is to search through the range {0, 1, 2, 3, . . . , Hmax } (i.e. from the simplest NN to more complex ones). For each H value, a NN is trained and its generalization estimate is measured (e.g. over a validation sample). The process is stopped when the generalization decreases or when H reaches the maximum value (Hmax).
In SVM regression [21], the input x ∈ RI is transformed into a high m- dimensional feature space, by using a nonlinear mapping (φ) that does not need to be explicitly known but that depends of a kernel function (K). The aim of a SVM is to find the best linear separating hyperplane in the feature space

ผลลัพธ์ (ไทย) 2:

การสูญเสีย วิธีการที่มีประสิทธิภาพในการติดตั้งคอมพิวเตอร์ H คือการค้นหาผ่านช่วง {0, 1, 2, 3, . . , hmax} (เช่นจากที่ง่าย NN กับคนที่ซับซ้อนมากขึ้น) สำหรับค่า H แต่ละ NN ได้รับการฝึกฝนและการประมาณการทั่วไปของมันจะถูกวัด (เช่นตัวอย่างในช่วงการตรวจสอบ) กระบวนการนี้หยุดเมื่อทั่วไปลดลงหรือเมื่อ H ถึงค่าสูงสุด (hmax).
ในการถดถอย SVM [21], อินพุต x ∈ RI จะกลายเป็นพื้นที่คุณลักษณะมิติสูง m- โดยใช้การทำแผนที่เชิงเส้น (φ) ที่ไม่จำเป็นต้องเป็นที่รู้จักกันอย่างชัดเจน แต่ที่ขึ้นอยู่กับการทำงานของเคอร์เนล (K) จุดมุ่งหมายของ SVM คือการหาไฮเปอร์เพลแยกเชิงเส้นที่ดีที่สุดในพื้นที่คุณลักษณะ

ผลลัพธ์ (ไทย) 3:

ขาดทุน วิธีที่มีประสิทธิภาพเพื่อ computationally ชุด H คือการค้นหาผ่านช่วง { 0 , 1 , 2 , 3 , . . . . . . . . hmax } , ( เช่นจาก nn ง่ายไปยังคนที่ซับซ้อนมากขึ้น ) สำหรับแต่ละ H ค่า NN การอบรมและการประมาณการเป็นวัด ( เช่นผ่านการใช้ ) กระบวนการจะหยุดลงเมื่อการลดลงหรือเมื่อ H ถึงค่าสูงสุด ( hmax ) .
ใน SVM ถดถอย [ 21 ]ข้อมูล x ∈ริแปลงสูงเมตร - พื้นที่คุณลักษณะมิติโดยใช้เส้นแผนที่ ( φ ) ที่ไม่ต้องเป็นอย่างชัดเจนที่รู้จักแต่ขึ้นอยู่กับเคอร์เนลฟังก์ชัน ( K ) จุดมุ่งหมายของ SVM คือหาเส้นตรงที่ดีที่สุดแบ่งระนาบเกินในลักษณะพื้นที่