Support vector machine (SVM) [10, 1

Support vector machine (SVM) [10, 13] is one of the most
recent techniques used in text classification. In this method
a data point is viewed as a p-dimensional vector and the approach aims to separate such points with a (p−1)-dimensional
hyperplane. This is called a linear classifier. There are
many hyperplanes that might classify the data. One reasonable choice as the best hyperplane is the one that represents the largest separation, or margin, between the two
classes. Therefore, SVM chooses the hyperplane so that the
distance from it to the nearest data point on each side is
maximized. If such a hyperplane exists, it is known as the

Kết quả (Việt) 1:

Hỗ trợ máy tính véc tơ (SVM) [10, 13] là một trong nhữngtại kỹ thuật được sử dụng trong phân loại văn bản. Trong phương pháp nàymột dữ liệu điểm được xem như là một vector chiều p và cách tiếp cận này nhằm mục đích riêng biệt như vậy điểm với một (p−1)-chiềuhyperplane. Điều này được gọi là một loại tuyến tính. Không cónhiều hyperplanes có thể phân loại các dữ liệu. Một trong những sự lựa chọn hợp lý như hyperplane tốt nhất là một đại diện lớn nhất chia tách hoặc lề, giữa haiCác lớp học. Vì vậy, SVM chọn hyperplane vì vậy mà cáckhoảng cách từ nó đến điểm dữ liệu gần nhất trên mỗi bên làtối đa. Nếu như hyperplane một tồn tại, nó được gọi là các

Kết quả (Việt) 2:

Máy vector hỗ trợ (SVM) [10, 13] là một trong những hầu hết
các kỹ thuật gần đây được sử dụng trong phân loại văn bản. Trong phương pháp này
một điểm dữ liệu được xem như là một vector p-chiều và cách tiếp cận nhằm mục đích tách các điểm đó với (p-1) chiều
siêu phẳng. Điều này được gọi là một phân lớp tuyến tính. Có
nhiều siêu phẳng mà có thể phân loại các dữ liệu. Một sự lựa chọn hợp lý như các siêu phẳng tốt nhất là một trong những đại diện cho sự tách biệt lớn nhất, hoặc lợi nhuận, giữa hai
lớp. Do đó, SVM chọn siêu phẳng sao cho
khoảng cách từ nó đến điểm dữ liệu gần nhất trên mỗi bên được
tối đa hóa. Nếu một siêu phẳng như vậy tồn tại, nó được gọi là