In this Section, we will describe o

In this Section, we will describe only major techniques for surrogate model learning: Polynomial Regression in Section 3.1.1, Gaussian Processes in Section 3.1.2, Artificial Neural Networks in Section 3.1.3, Radial Basis Functions in Section 3.1.4 and Support Vector Machines, which we will discuss in detail in Section 3.2. Many interesting approaches, such as Generalized Additive Models (GAMs [Hastie and Tibshirani, 1990]), Multivariate Adaptive Regression Splines (MARS [Friedman, 1991]) and Kernel Partial Least Squares (KPLS [Rosipal and Trejo, 2002]), are omitted for the sake of space.

Kết quả (Việt) 1:

Trong phần này, chúng tôi sẽ mô tả các kỹ thuật lớn duy nhất để thay thế mô hình học: đa thức hồi quy trong phần 3.1.1, các quy trình Gaussian phần 3.1.2, mạng nơ-ron nhân tạo trong mục 3.1.3, hàm cơ sở bố trí hình tròn ở phần 3.1.4 và máy vectơ hỗ trợ, chúng tôi sẽ thảo luận chi tiết trong phần 3.2. Nhiều người thú vị phương pháp tiếp cận, chẳng hạn như tổng quát hóa mô hình phụ gia (GAMs [Hastie và Tibshirani, 1990]), đa biến Adaptive Regression Splines (MARS [Friedman, 1991]) và hạt nhân một phần tối thiểu (KPLS [Rosipal và Trejo, 2002]), được bỏ qua vì lợi ích của space.

Kết quả (Việt) 2:

Trong phần này, chúng tôi sẽ chỉ mô tả kỹ thuật chính cho mô hình học tập thay thế: Regression đa thức trong Mục 3.1.1, quá trình Gaussian trong Phần 3.1.2, Artificial Neural Networks tại mục 3.1.3, chức năng Radial Basis tại mục 3.1.4 và Hỗ trợ vector Machines, mà chúng ta sẽ thảo luận chi tiết trong phần 3.2. Nhiều phương pháp thú vị, chẳng hạn như quát mô hình phụ (GAMS [Hastie và Tibshirani, 1990]), đa biến thích ứng Regression Splines (MARS [Friedman, 1991]) và Kernel phần Least squares (KPLS [Rosipal và Trejo, 2002]), được bỏ qua vì lợi ích của không gian.