Firstly it has a regularisation par

Firstly it has a regularisation parameter, which makes the user think about avoiding over-fitting. Secondly it uses the kernel trick, so you can build in expert knowledge about the problem via engineering the kernel.
Thirdly an SVM is defined by a convex optimisation problem (no local minima) for which there are efficient methods (e.g. SMO).
Lastly, it is an approximation to a bound on the test error rate, and there is a substantial body of theory behind it which suggests it should be a good idea.

Kết quả (Việt) 1:

Trước hết, nó có một tham số regularisation, mà làm cho người dùng nghĩ về tránh cửa sổ lắp. Thứ hai nó sử dụng thủ thuật hạt nhân, do đó, bạn có thể xây dựng trong các kiến thức chuyên môn về vấn đề thông qua kỹ thuật hạt nhân. Ba là một SVM được xác định bởi một vấn đề tối ưu hóa lồi (không có cực tiểu cục bộ) mà có hiệu quả phương pháp (ví dụ như SMO). Cuối cùng, nó là một xấp xỉ để một ràng buộc trên tỷ lệ lỗi thử nghiệm, và có một cơ thể đáng kể của lý thuyết đằng sau nó cho thấy nó phải là một ý tưởng tốt.

Kết quả (Việt) 2:

Thứ nhất nó có một tham số quy tắc, mà làm cho người sử dụng nghĩ về việc tránh over-fitting. Thứ hai nó sử dụng các thủ thuật hạt nhân, do đó, bạn có thể xây dựng trong kiến thức chuyên môn về vấn đề này thông qua kỹ thuật hạt nhân.
Thứ ba là một SVM được định nghĩa bởi một vấn đề tối ưu hóa lồi (không có cực tiểu địa phương) mà có những phương pháp hiệu quả (ví dụ như SMO).
Cuối cùng, nó là một xấp xỉ với một ràng buộc về tỷ lệ lỗi kiểm tra, và có một cơ thể đáng kể của lý thuyết đằng sau nó cho thấy nó phải là một ý tưởng tốt.