For the SVM-RFE method described in

For the SVM-RFE method described in Section 3, Eq. (13) gives the feature ranking criteria. To solve the objective in (15) quadratic programming methods have to be used. These methods are not easy to implement when compared to other classifier algorithms. Libraries like LIBSVM [75] can be used to implement wrapper techniques. Since SVM is a binary classifier, in this paper we use the one-vs-all classification technique for multiclass problems. In one-vs-all approach, different binary classi-
fiers are trained wherein each one is trained to distinguish samples of a single class from all the remaining samples. It is a simple method which is proven to be robust and accurate when compared to other approaches [53,76].

Kết quả (Việt) 1:

SVM-RFE phương pháp được diễn tả trong phần 3, Eq. (13) cung cấp cho các tính năng tiêu chuẩn xếp hạng. Để giải quyết mục tiêu trong (15) phương pháp lập trình bậc hai có thể được sử dụng. Những phương pháp này là không dễ dàng để thực hiện khi so sánh với các thuật toán loại khác. Thư viện như LIBSVM [75] có thể được sử dụng để thực hiện kỹ thuật wrapper. Kể từ khi SVM là một loại nhị phân, trong bài báo này chúng tôi sử dụng kỹ thuật phân loại vs một tất cả để multiclass vấn đề. Trong một-vs-tất cả phương pháp tiếp cận, khác nhau cơ nhị phân-fiers đào tạo trong đó mỗi người được huấn luyện để phân biệt mẫu của một lớp học duy nhất từ tất cả các mẫu còn lại. Nó là một phương pháp đơn giản mà được chứng minh là mạnh mẽ và chính xác khi so sánh với phương pháp tiếp cận khác [53,76].

Kết quả (Việt) 2:

Đối với phương pháp SVM-RFE mô tả tại mục 3, Eq. (13) cho các tiêu chí xếp hạng tính năng. Để giải quyết các mục tiêu trong (15) phương pháp lập trình bậc hai có thể được sử dụng. Những phương pháp này không dễ thực hiện khi so sánh với các thuật toán phân loại khác. Thư viện như LIBSVM [75] có thể được sử dụng để thực hiện các kỹ thuật wrapper. Kể từ SVM là một bộ phân loại nhị phân, trong bài báo này chúng tôi sử dụng các kỹ thuật một-vs-tất cả các phân loại cho các vấn đề nhiều lớp. Trong một-vs-tất cả các phương pháp tiếp cận, classi- nhị phân khác nhau
Fiers được đào tạo trong đó là mỗi người được đào tạo để phân biệt các mẫu của một lớp học duy nhất từ tất cả các mẫu còn lại. Nó là một phương pháp đơn giản mà được chứng minh để được mạnh mẽ và chính xác khi so sánh với các phương pháp khác [53,76].