Support Vector Machine is one of th

Support Vector Machine is one of the recently popular machine
learning methods that has been extensively used and investigated
because of its ability in prediction, not only for classification but
also for regression. The main goal of SVM is to define decision
boundaries separating data points of different classes using hyperplanes
as shown in Fig. 3 (Vapnik, 1998).
This subsection briefly introduces SVM, which can also be used
for binary classification. Given the training data (x1,y1),…,(xl,yl),
where xi are input vectors and yi2{1,þ1} are the associated class
labels of xi. SVM is based on the maximum margin principle, and
aims at constructing a hyper-plane with maximal distance between
the two classes, with the following optimization problem:

Kết quả (Việt) 1:

Máy vectơ hỗ trợ là một trong máy tính mới phổ biếnhọc phương pháp đã được rộng rãi được sử dụng và điều travì khả năng của mình trong dự đoán, không chỉ cho các phân loại nhưngcòn đối với hồi qui. Mục tiêu chính của SVM là để xác định các quyết địnhranh giới tách dữ liệu điểm của các lớp khác nhau bằng cách sử dụng hyperplanesnhư thể hiện trong hình 3 (Vapnik, 1998).Tiểu mục này một thời gian ngắn giới thiệu SVM, cũng có thể được sử dụngđể phân loại nhị phân. Đưa ra các dữ liệu đào tạo (x1,y1),...,(xl,yl),xi nhập vectơ và đâu yi2 {1, þ1} là lớp liên kếtnhãn xi. SVM dựa trên các nguyên tắc tối đa lợi nhuận, vànhằm mục đích xây dựng một siêu máy bay với các khoảng cách tối đa giữaCác lớp học hai, với các vấn đề tối ưu hóa sau:

Kết quả (Việt) 2:

Support Vector Machine là một trong những máy gần đây phổ biến
phương pháp học tập đã được sử dụng rộng rãi và điều tra
vì khả năng của nó trong dự đoán, không chỉ để phân loại nhưng
cũng cho hồi quy. Mục tiêu chính của SVM là xác định quyết định
ranh giới ngăn cách các điểm dữ liệu của các lớp học khác nhau sử dụng siêu phẳng
như hình. 3 (Vapnik, 1998).
Phần này giới thiệu ngắn SVM, mà cũng có thể được sử dụng
để phân loại nhị phân. Với các dữ liệu đào tạo (x1, y1), ..., (xl, yl),
nơi xi là các vectơ đầu vào và yi2 {1, TH1} là các lớp liên kết
nhãn của xi. SVM dựa trên nguyên tắc lợi nhuận tối đa, và
nhằm mục đích xây dựng một siêu máy bay với khoảng cách tối đa giữa
hai lớp, với các vấn đề tối ưu hóa sau đây: