In the field of machine learning, t

In the field of machine learning, the goal of statistical classification is to use an object's characteristics to identify which class (or group) it belongs to. A linear classifier achieves this by making a classification decision based on the value of a linear combination of the characteristics. An object's characteristics are also known as feature values and are typically presented to the machine in a vector called a feature vector. Such classifiers work well for practical problems such as document classification, and more generally for problems with many variables (features), reaching accuracy levels comparable to non-linear classifiers while taking less time to train and use.[1]

Kết quả (Việt) 1:

Trong lĩnh vực máy học, thị trấn này có mục đích thống kê phân loại là để sử dụng đối tượng của một đặc điểm để xác định mà lớp (hoặc nhóm) nó thuộc về. Một loại tuyến tính đạt được điều này bằng cách làm cho một quyết định phân loại dựa trên giá trị của một tổ hợp tuyến tính của các đặc tính. Đặc điểm của một đối tượng đang còn được gọi là tính năng giá trị và thường được trình bày cho các máy tính trong một vector được gọi là một vector tính năng. Máy phân loại như vậy làm việc tốt cho các vấn đề thực tế chẳng hạn như tài liệu phân loại, và nói chung cho vấn đề với nhiều biến (tính năng), đạt đến cấp độ chính xác tương đương với máy phân loại phi tuyến tính trong khi dùng ít thời gian để đào tạo và sử dụng. [1]

Kết quả (Việt) 2:

Trong lĩnh vực học máy, mục đích của phân loại thống kê là sử dụng các đặc tính của một đối tượng để xác định lớp (hoặc nhóm) nó thuộc về. Một phân lớp tuyến tính đạt được điều này bằng cách làm cho một quyết định phân loại dựa trên giá trị của một sự kết hợp tuyến tính của các đặc tính. Đặc điểm của một đối tượng cũng được gọi là giá trị đặc trưng và thường được trình bày cho các máy trong một vector được gọi là một vector đặc trưng. Phân loại như làm việc tốt cho vấn đề thực tế như phân loại văn bản, và nói chung cho các vấn đề với rất nhiều biến (tính năng), đạt mức độ chính xác tương đương với phân loại phi tuyến tính trong khi dùng ít thời gian để đào tạo và sử dụng. [1]