Training data is placed in N-dimens

Training data is placed in N-dimensional space and a hyperplane separates the two
categories. In general there can be an infinite number of hyperplanes separating the two classes.
The “best” hyperplane, however, is one with the largest margin between the two different
categories of data. A support vector is the vector connecting two data points in one category that
is closest to the hyperplane. Margin is defined as the maximum distance between the support
9

vectors of the two categories assuming there are no data points within it. This is all portrayed
graphically in Figure 7 where + represents one class of data and – represents the other.

Kết quả (Việt) 1:

Đào tạo dữ liệu được đặt trong không gian N chiều và hyperplane một tách hai thể loại. Nói chung, có thể một số lượng vô hạn của hyperplanes tách hai lớp. Hyperplane "tốt nhất", Tuy nhiên, là một trong những cận vệ thân cận với biên độ lớn nhất giữa hai khác nhau loại dữ liệu. Vector hỗ trợ là vectơ kết nối hai dữ liệu điểm trong một thể loại mà là gần nhất với hyperplane. Margin được định nghĩa như là khoảng cách tối đa giữa các hỗ trợ 9 vectơ của hai loại giả sử đó là không có điểm dữ liệu bên trong nó. Điều này tất cả các mô tả đồ hoạ trong hình 7 nơi + đại diện cho một lớp học của dữ liệu và – đại diện cho khác.

Kết quả (Việt) 2:

Dữ liệu đào tạo được đặt trong không gian N-chiều và một siêu phẳng phân cách hai
loại. Nói chung có thể có một số lượng vô hạn của siêu phẳng tách hai lớp.
Các siêu phẳng "tốt nhất", tuy nhiên, là một với biên độ lớn nhất giữa hai khác nhau
loại dữ liệu. Một vector hỗ trợ là véc tơ nối hai điểm dữ liệu trong một thể loại đó
là gần nhất với siêu phẳng. Margin được định nghĩa là khoảng cách tối đa giữa các hỗ trợ
9

vectơ của hai loại giả định không có điểm dữ liệu bên trong nó. Đây là tất cả được miêu tả
bằng đồ thị trong Hình 7, nơi + đại diện cho một lớp dữ liệu và - đại diện khác.