Then, the operation of the SVM algo

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.

has the largest distance to the nearest training-data point of any class (so-called functional margin), since in general the larger the margin the lower the generalization error of the classifier.

Kết quả (Việt) 1:

Sau đó, hoạt động của các thuật toán SVM dựa trên việc tìm kiếm hyperplane khoảng cách tối thiểu lớn nhất cho các ví dụ huấn luyện. Hai lần, khoảng cách này nhận được tên quan trọng của lợi nhuận trong lý thuyết của SVM. Vì vậy, tách hyperplane tối ưu tối đa hóa lợi nhuận của các dữ liệu đào tạo.có khoảng cách lớn nhất để đào tạo dữ liệu điểm gần nhất của bất kỳ lớp học (cái gọi là chức năng margin), từ nói chung lớn hơn các rìa phía thấp hơn tổng quát lỗi của loại.

Kết quả (Việt) 2:

Sau đó, các hoạt động của thuật toán SVM dựa vào việc tìm kiếm các siêu phẳng cung cấp cho khoảng cách tối thiểu lớn nhất để các ví dụ huấn luyện. Hai lần, khoảng cách này nhận được tên tuổi quan trọng của lợi nhuận trong lý thuyết của SVM. Vì vậy, tối ưu tách siêu phẳng tối đa hóa lợi nhuận của các dữ liệu huấn luyện. Có khoảng cách lớn nhất để các điểm đào tạo dữ liệu gần nhất của lớp nào (cái gọi là biên độ chức năng), vì nói chung lớn hơn tỷ suất lợi nhuận thấp hơn các lỗi tổng quát của phân loại.