By using machine learning technique

By using machine learning technique to classify the different type of tourist this research will be use support vector machine. The support vector machines (SVM) is a discriminative classifier formally defined by a separating hyperplane. In other words, given labeled training data (supervised learning), the algorithm outputs an optimal hyperplane which categorizes new examples. Then, the operation of the SVM algorithm is based on finding the hyperplane that gives the largest minimum distance to the training examples. Twice, this distance receives the important name of margin within SVM’s theory. Therefore, the optimal separating hyperplane maximizes the margin of the training data.

ผลลัพธ์ (ไทย) 1:

โดยเครื่องเรียนรู้เทคนิคในการจัดประเภทชนิดต่าง ๆ ของงานวิจัยนี้จะใช้เครื่องสนับสนุนเวกเตอร์ เครื่องสนับสนุนเวกเตอร์ (SVM) classifier discriminative ที่กำหนดอย่างเป็นกิจจะลักษณะ โดย hyperplane แยกได้ ในคำอื่น ๆ รับติดป้ายข้อมูลการฝึกอบรม (มีเรียน) อัลกอริทึมการแสดงผล hyperplane เหมาะสมซึ่งการจัดประเภทใหม่อย่างนี้ แล้ว การทำงานของอัลกอริทึม SVM จะตามหา hyperplane ที่ให้ระยะห่างต่ำสุดตัวอย่างการฝึกอบรม สอง ระยะนี้ได้รับชื่อสำคัญของระยะขอบภายในทฤษฎีของ SVM ดังนั้น hyperplane แยกเหมาะสมวางขอบของข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

โดยใช้เทคนิคการเรียนรู้เครื่องในการจำแนกชนิดที่แตกต่างกันของการท่องเที่ยวการวิจัยครั้งนี้จะได้รับการสนับสนุนการใช้งานเครื่องเวกเตอร์ เครื่องเวกเตอร์สนับสนุน (SVM) เป็นลักษณนามจำแนกกำหนดอย่างเป็นทางการโดยไฮเปอร์เพลแยก ในคำอื่น ๆ ที่ได้รับการฝึกอบรมที่มีข้อความข้อมูล (การเรียนรู้ภายใต้การดูแล) อัลกอริทึมผลไฮเปอร์เพลนที่ดีที่สุดซึ่งแบ่งตัวอย่างใหม่ จากนั้นการดำเนินงานของอัลกอริทึม SVM จะขึ้นอยู่กับการหาไฮเปอร์เพลนที่ช่วยให้ระยะทางขั้นต่ำที่ใหญ่ที่สุดกับตัวอย่างการฝึกอบรม ครั้งที่สองระยะนี้ได้รับชื่อที่สำคัญของอัตรากำไรขั้นต้นที่อยู่ในทฤษฎีของ SVM ดังนั้นที่ดีที่สุดแยกไฮเปอร์เพลเพิ่มอัตรากำไรขั้นต้นของข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

โดยใช้เทคนิคการเรียนรู้เครื่องแยกชนิดที่แตกต่างกันของนักท่องเที่ยว งานวิจัยนี้จะใช้เครื่องเวกเตอร์สนับสนุน สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) เป็นแบบเป็นทางการและกำหนดโดยแบ่งระนาบเกิน . ในคำอื่น ๆที่ได้รับป้ายข้อมูลการฝึกอบรมการเรียนรู้แบบ Supervised Learning ) , ขั้นตอนวิธีเอาท์พุทที่เหมาะสมในระนาบเกินที่กำหนดตัวอย่างใหม่ จากนั้นการดำเนินงานของ SVM ขั้นตอนวิธีขึ้นอยู่กับการหาระนาบเกินที่ให้ระยะทางอย่างน้อยที่สุดเพื่อการฝึกอบรม ตัวอย่าง 2 ครั้ง ระยะห่างนี้ได้รับชื่อที่สำคัญของขอบภายในทฤษฎี SVM ) ดังนั้น การแบ่งระนาบเกินเพิ่มขอบของข้อมูลการฝึกอบรม