Unfortunately with a large number o

Unfortunately with a large number of attributes in a data set it is difficult to
know which kernel would work best. The most commonly used ones are polynomial and radial basis functions. From a practical standpoint, it is a good
idea to start with a quadratic polynomial and work your way up into some
of the more exotic kernel functions until we reach a desired accuracy level.
This flexibility of support vector machines does come at the price of cost of
computation.
Now that we have an intuitive understanding of how SVMs work, we can
examine the working of the algorithm with a more formal mathematical
explanation.

Kết quả (Việt) 1:

Thật không may với một số lượng lớn các thuộc tính trong một tập hợp dữ liệu đó là khó khăn đểbiết mà hạt nhân sẽ làm việc tốt nhất. Những người được sử dụng phổ biến nhất là hàm cơ sở đa thức và bố trí hình tròn. Từ một quan điểm thực tế, nó là một tốtý tưởng để bắt đầu với một đa thức bậc hai và làm việc theo cách của bạn lên vào một sốchức năng hạt nhân kỳ lạ cho đến khi chúng tôi đạt được một mức độ chính xác mong muốn.Tính linh hoạt này hỗ trợ vector máy đi kèm với mức chi phítính toán.Bây giờ mà chúng tôi có một sự hiểu biết trực quan của SVMs như thế nào, chúng ta có thểkiểm tra công tác của các thuật toán với một chính thức thêm toán họclời giải thích.

Kết quả (Việt) 2:

Thật không may với một số lượng lớn các thuộc tính trong một tập dữ liệu rất khó để
biết được hạt nhân sẽ làm việc tốt nhất. Những người sử dụng phổ biến nhất là các hàm cơ sở đa thức và xuyên tâm. Từ một quan điểm thực tế, nó là một tốt
ý tưởng bắt đầu với một đa thức bậc hai và làm việc theo cách của bạn thành một số
chức năng của kernel kỳ lạ cho đến khi chúng ta đạt đến một mức độ chính xác mong muốn.
Sự linh hoạt này của máy vector hỗ trợ không đi kèm với giá chi phí các
tính toán.
Bây giờ chúng ta có một sự hiểu biết trực quan về cách SVMs làm việc, chúng ta có thể
kiểm tra sự hoạt động của các thuật toán với một toán học hình thức nhiều hơn
giải thích.