3.2.4. Result of SVMThe normal SVM

3.2.4. Result of SVM

The normal SVM classification model could only classify two categories, but there were five categories here, the LIBSVM classify classification model could encode and decode a multi-class classi-fication task into multiple binary classifiers. The sorting results of two SVC models of the honey samples from five floral origins are shown in Table 5. It could be concluded that Polynomial-c-SVC model performed better than others, and the correction rate of classification set of Polynomial-c-SVC model was 100%. It is thus clear that Polynomial-c-SVC model performed much better than 2D-PCA, CA.

Six SVM regression models were developed for evaluating the performance of LIBSVM models. As shown in Fig. 7, it could be concluded that the RBF-epsilon-SVR model had the best result: R = 0.9846, and the result of the RBF-v-SVR model was second to RBF-epsilon-SVR model: R = 0.9839; the polynomial-epsilon-SVR model also had a good result: R = 0.9740, and the polynomial-v-SVR model worked little better than the polynomial-epsilon-SVR model: R = 0.9743; the linear-epsilon-SVR model had the result: R = 0.9679, and the linear-v-SVR model had a better result than the linear-epsilon-SVR model: R = 0.9690. It was obvious that RBF-epsilon-SVR model worked much better than PCR, PLSR and PCT-PLSR, and the results of nonlinear models (RBF-epsilon-SVR and RBF-v-SVR) were better than that of linear models (linear-epsi-lon-SVR and linear-v-SVR). Moreover, it could be concluded that LIBSVM is a powerful tool for predicting the honey samples of five floral origins.

Kết quả (Việt) 2:

3.2.4. Kết quả của SVM Các mô hình phân loại SVM bình thường chỉ có thể phân loại hai loại, nhưng có năm loại ở đây, các LIBSVM phân loại mô hình phân loại có thể mã hóa và giải mã một nhiệm vụ phân loại-fication đa lớp thành nhiều phân lớp nhị phân. Các kết quả phân loại của hai mô hình SVC của các mẫu mật ong từ năm nguồn gốc hoa được thể hiện trong Bảng 5. Nó có thể kết luận rằng mô hình đa thức-c-SVC thực hiện tốt hơn so với những người khác, và tỷ lệ điều chỉnh phân loại tập hợp các đa thức-c-SVC mô hình là 100%. Như vậy rõ ràng rằng mô hình đa thức-c-SVC thực hiện tốt hơn nhiều so với 2D-PCA, CA. mô hình hồi quy Sáu SVM được phát triển để đánh giá hiệu quả hoạt động của các mô hình LIBSVM. Như thể hiện trong hình. 7, có thể kết luận rằng mô hình RBF-epsilon-SVR đã có kết quả tốt nhất: R = 0,9846, và kết quả của các mô hình RBF-v-SVR là thứ hai để RBF-epsilon-SVR model: R = 0,9839; các mô hình đa thức-epsilon-SVR cũng đã có một kết quả tốt: R = 0,9740, và SVR-đa thức v mô hình làm việc ít hơn so với mô hình đa thức-epsilon-SVR: R = 0,9743; các mô hình tuyến tính-epsilon-SVR đã có kết quả: R = 0,9679, và các mô hình tuyến tính-v-SVR đã có một kết quả tốt hơn so với các mô hình tuyến tính-epsilon-SVR: R = 0,9690. Rõ ràng mô hình RBF-epsilon-SVR làm việc tốt hơn nhiều so với PCR, PLSR và PCT-PLSR, và kết quả của các mô hình phi tuyến (RBF-epsilon-SVR và RBF-v-SVR) là tốt hơn so với các mô hình tuyến tính (linear -epsi-lon-SVR và tuyến tính-v-SVR). Hơn nữa, nó có thể kết luận rằng LIBSVM là một công cụ mạnh mẽ để dự đoán các mẫu mật ong của năm gốc hoa.