SVMs are a class of powerful, highl

SVMs are a class of powerful, highly flexible modeling techniques. The theory
behind SVMs was originally developed in the context of classification models.
Later, in Chap.13, the motivation for this technique is discussed in its more
natural form. For regression, we followSmola(1996)andDrucker et al.(1997)
and motivate this technique in the framework of robust regressionwhere we
seek to minimize the effect of outliers onthe regression equations. Also, there
are several flavors of support vector regression and we focus on one particular
technique called-insensitive regression.
Recall that linear regression seeks tofind parameter estimates that minimize SSE (Sect.6.2). One drawback of minimizing SSE is that the parameter
estimates can be influenced by just one observation that falls far from the
overall trend in the data. When data may contain influential observations,
an alternative minimization metric that is less sensitive, such as the Huber
function, can be used to find the best parameter estimates. This function uses
the squared residuals when they are “small” and uses the absolute residuals
when the residuals are large. See Fig.6.6on p.110for an illustration.
SVMs for regression use a function similar to the Huber function,

Kết quả (Việt) 1:

SVMs là một lớp các kỹ thuật mô hình mạnh mẽ, linh hoạt cao. Lý thuyếtđằng sau SVMs đã được phát triển trong bối cảnh của mô hình phân loại.Sau đó, trong Chap.13, các động lực cho kỹ thuật này được thảo luận trong nhiều hơnhình thức tự nhiên. Đối với hồi qui, chúng tôi followSmola (1996) andDrucker et al.(1997)và khuyến khích các kỹ thuật này trong khuôn khổ mạnh mẽ regressionwhere chúng tôiTìm kiếm để giảm thiểu tác động của outliers phương trình hồi qui. Ngoài ra, cócó một số hương vị của hỗ trợ vector hồi qui và chúng tôi tập trung vào đặc biệtkỹ thuật được gọi là - insensitive hồi quy.Nhớ lại hồi qui tuyến tính tìm cách ước tính tham số tofind giảm thiểu SSE (Sect.6.2). Một trong những nhược điểm của việc giảm thiểu SSE là tham sốước tính có thể bị ảnh hưởng bởi chỉ cần một quan sát mà rơi xa cácxu hướng tổng thể trong dữ liệu. Khi các dữ liệu có thể chứa các quan sát có ảnh hưởng,một số liệu khác giảm thiểu là ít nhạy cảm, chẳng hạn như Huberchức năng, có thể được sử dụng để tìm các tham số tốt nhất ước tính. Sử dụng chức năng nàybình phương dư khi họ đang "nhỏ" và sử dụng dư tuyệt đốiKhi các dư đang lớn. Xem Fig.6.6on p.110for một minh hoạ.SVMs cho các hồi quy sử dụng một chức năng tương tự như chức năng Huber,

Kết quả (Việt) 2:

SVMs là một lớp các mạnh mẽ, kỹ thuật mô hình rất linh hoạt. Lý thuyết
đằng sau SVMs ban đầu được phát triển trong bối cảnh của mô hình phân loại.
Sau đó, trong Chap.13, động lực cho kỹ thuật này được thảo luận trong hơn của nó
dưới dạng tự nhiên. Đối với hồi quy, chúng tôi followSmola (1996) andDrucker et al. (1997)
và thúc đẩy kỹ thuật này trong khuôn khổ của regressionwhere mạnh mẽ, chúng tôi
tìm cách giảm thiểu ảnh hưởng của giá trị ngoại lai onthe phương trình hồi quy. Ngoài ra, có
một số hương vị của hồi quy vector hỗ trợ và chúng tôi tập trung vào một đặc biệt
kỹ thuật hồi quy -insensitive gọi là?.
Nhớ lại rằng hồi quy tuyến tính tìm tofind tham số ước tính giảm thiểu SSE (Sect.6.2). Một nhược điểm của việc giảm thiểu SSE là tham số
ước tính có thể bị ảnh hưởng bởi chỉ cần một quan sát mà rơi xa
xu hướng chung trong các dữ liệu. Khi dữ liệu có thể chứa các quan sát có ảnh hưởng,
một số liệu giảm thiểu thay thế đó là ít nhạy cảm, chẳng hạn như Huber
chức năng, có thể được sử dụng để tìm các ước lượng tham số tốt nhất. Chức năng này sử dụng
các phần dư bình phương khi họ là "nhỏ" và sử dụng các phần dư tuyệt đối
khi các số dư lớn. Xem Fig.6.6on p.110for một minh họa.
SVMs cho hồi quy sử dụng một chức năng tương tự như chức năng Huber,