Support vector machine, a universal

Support vector machine,
a universal method for learning from data, gains its development based on statistical learning theory. It shows many advantages in solving nonlinearly small sample and high dimensional problems of pattern recognition. Only a part of samples or support vectors (SVs) plays an important role in the final decision function. But SVs could not be obtained in advance until a quadratic programming is performed. In this paper, we use K-nearest neighbour method to extract a boundary vector set which may contain SVs. The number of the boundary set is smaller than the whole training set. Consequently it reduces the training samples, speeds up the training of support vector machine.

ผลลัพธ์ (ไทย) 1:

การสนับสนุนเครื่องเวกเตอร์
วิธีสากลสำหรับการเรียนรู้จากข้อมูลที่ได้รับการพัฒนาบนพื้นฐานของทฤษฎีการเรียนรู้ทางสถิติ มันแสดงให้เห็นข้อดีในการแก้ปัญหามิติสูงของการจดจำรูปแบบกลุ่มตัวอย่างขนาดเล็กและ nonlinearly เพียงส่วนหนึ่งของตัวอย่างหรือเวกเตอร์สนับสนุน (svs) มีบทบาทสำคัญในการทำงานการตัดสินใจขั้นสุดท้ายแต่ svs ไม่สามารถได้ล่วงหน้าจนการเขียนโปรแกรมกำลังสองจะดำเนินการ ในบทความนี้เราจะใช้วิธีการเพื่อนบ้านที่ใกล้ที่สุด K-เพื่อดึงชุดเวกเตอร์เขตแดนซึ่งอาจจะมี svs จำนวนของชุดขอบเขตมีขนาดเล็กกว่าชุดฝึกอบรมทั้งหมด จึงจะช่วยลดตัวอย่างการฝึกอบรมเพิ่มความเร็วในการฝึกอบรมของเครื่องสนับสนุนเวกเตอร์

ผลลัพธ์ (ไทย) 2:

เครื่องสนับสนุนเวกเตอร์,
สากลวิธีการเรียนรู้จากข้อมูล กำไรจากการพัฒนาตามทฤษฎีการเรียนรู้ทางสถิติ จะแสดงข้อดีมากมายในการแก้ตัวอย่างขนาดเล็ก nonlinearly และปัญหามิติสูงของการรู้จำรูปแบบ เฉพาะส่วนของตัวอย่างหรือสนับสนุนเวกเตอร์ (SVs) มีบทบาทสำคัญในฟังก์ชันตัดสินใจขั้นสุดท้าย แต่ SVs ไม่สามารถรับล่วงหน้าจนกว่าจะดำเนินการเขียนโปรแกรมกำลังสอง ในเอกสารนี้ เราใช้ K ใกล้วิธี neighbour แยกชุดเวกเตอร์ขอบเขตซึ่งอาจประกอบด้วย SVs จำนวนชุดขอบมีขนาดเล็กกว่าชุดฝึกอบรมทั้งหมด ดังนั้นมันลดตัวอย่างการฝึกอบรม ฝึกอบรมสนับสนุนเครื่องเวกเตอร์ความเร็ว

ผลลัพธ์ (ไทย) 3:

เครื่องเวกเตอร์การสนับสนุน
วิธีการอเนกประสงค์ที่สำหรับการเรียนรู้จากข้อมูลได้รับการพัฒนาตามทฤษฎีการเรียนรู้ข้อมูลทางสถิติ. ซึ่งจะแสดงความได้เปรียบในการแก้ปัญหามาก nonlinearly ขนาดเล็กและลิ้มลองปัญหามิติเดียวสูงของการจดจำรูปแบบ เท่านั้นเป็นส่วนหนึ่งขององค์ประกอบการสนับสนุนหรือตัวอย่าง( svs )มีบทบาทที่สำคัญในฟังก์ชันการตัดสินใจขั้นสุดท้ายแต่ svs ไม่สามารถได้รับเป็นการล่วงหน้าจนกว่าการตั้งโปรแกรมในพีชคณิตที่มีกำลังสองซึ่งจะมีการดำเนินการ ในเอกสารนี้เราใช้วิธี K - ที่อยู่ใกล้ที่สุดเพื่อนบ้านเพื่อดึงตั้งค่าเวกเตอร์เขตซึ่งอาจมี svs. จำนวนของการตั้งเขตที่มีขนาดเล็กกว่าการฝึกซ้อมทั้งหมดที่ตั้งค่า ดังนั้นจึงมีผลทำให้ผลมันช่วยลดตัวอย่างการฝึกอบรมที่ความเร็วสูงสุดการฝึกอบรมของเครื่องเวกเตอร์การสนับสนุน