It is based on the principle of str

It is based on the principle of structural risk minimisation. In linear classification, SVM creates a hyper plane that separates the data into two sets with the maximum- margin. A hyper plane with the maximum-margin has the distances from the hyper plane to points when the two sides are equal. Mathematically, SVMs learn the sign function f (x)  sign(wx  b) , where w is a weighted vector in R n . SVMs find the hyper plane y  wx  b by separating the space R n into two half-

Kết quả (Việt) 1:

Nó được dựa trên nguyên tắc nguy cơ cấu trúc thiểu. Trong phân loại tuyến tính, SVM tạo ra một chiếc máy bay siêu chia tách dữ liệu thành hai bộ với lợi nhuận tối đa. Máy bay siêu với lợi nhuận tối đa có khoảng cách từ máy bay siêu để điểm khi hai bên đều bình đẳng. Về mặt toán học, SVMs học các dấu hiệu chức năng f (x)  đăng (wx đột b), nơi mà w là một vector trọng trong R n. SVMs tìm thấy máy bay siêu y  wx đột b bằng cách tách các không gian R n thành hai nửa-

Kết quả (Việt) 2:

Nó được dựa trên nguyên tắc giảm thiểu rủi ro về cơ cấu. Trong phân loại tuyến tính, SVM tạo ra một chiếc máy bay siêu phân cách các dữ liệu thành hai bộ với lề maximum-. Một chiếc máy bay siêu với mức tối đa lợi nhuận có khoảng cách từ mặt phẳng siêu để điểm khi hai bên đều bình đẳng. Về mặt toán học, SVMs học chức năng đăng nhập f (x)  dấu (wx  b), trong đó w là vector trọng trong R n. SVMs tìm thấy chiếc máy bay siêu y  wx  b bằng cách chia không gian R n thành hai nửa

Kết quả (Việt) 3:

Nó là nguyên tắc rủi ro dựa trên cấu trúc thu nhỏ.Trong phân loại tuyến tính, các máy vectơ hỗ trợ tạo ra một siêu phẳng, dữ liệu chia làm hai nhóm, lớn nhất biên.Khi hai bên bằng nhau có khi lớn nhất, bên cạnh siêu phẳng có khoảng cách giữa siêu phẳng đến giờ.Trong toán học, ký hiệu học SVMs của hàm f (X)  signs (Wx  B), một trong những trọng số vector W là R n 'A'.Máy vectơ hỗ trợ đến siêu máy bay y  Wx  B được tách thành hai nửa không gian R n...