The possibility of using different

The possibility of using different kernels allows viewing learning methods like Radial Basis Function Neural Network (RBFNN) or multi—layer Artificial Neural Networks (ANN) as particular cases of SVM despite the fact that the optimized criteria are not the same [ ]. While ANNs and RBFNN optimizes the mean squared error dependent on the distribution of all the data, SVM optimizes a geometrical criterion, which is the margin and is sensitive only to the extreme values and not to the distribution of the data into the feature space. The SVM approach transforms data into a feature space F that usually has a huge dimension. It is interesting to note that SVM generalization depends on the geometrical characteristics of the training data, not on the dimensions of the input space. Training a support vector machine (SVM) leads to a quadratic optimization problem with bound constraints and one linear equality constraint. Vapnik [ ] shows how training a SVM for the pattern recognition problem leads to the following quadratic optimization problem:

Kết quả (Việt) 1:

Khả năng sử dụng hạt nhân khác nhau cho phép xem phương pháp học tập như xuyên tâm cơ sở chức năng thần kinh mạng (RBFNN) hoặc đa-lớp mạng nơ-ron nhân tạo (ANN) là đặc biệt trường hợp của SVM mặc dù thực tế rằng các tiêu chí tối ưu hóa là không [] tương tự. Trong khi ANNs và RBFNN tối ưu hóa lỗi bình phương có nghĩa là phụ thuộc vào sự phân bố của tất cả các dữ liệu, SVM tối ưu hóa một tiêu chí hình học, mà là lợi nhuận và nhạy cảm chỉ với các giá trị cực và không để phân phối các dữ liệu vào không gian tính năng. Cách tiếp cận SVM biến đổi dữ liệu vào một không gian tính năng F thường có một kích thước rất lớn. Nó là thú vị để lưu ý rằng tổng quát SVM phụ thuộc vào các đặc tính hình học của các dữ liệu đào tạo, không phải trên các kích thước của đầu vào không gian. Đào tạo máy vectơ hỗ trợ (SVM) dẫn đến một vấn đề tối ưu hóa bậc hai với ràng buộc khó khăn và một tuyến tính bình đẳng hạn chế. Vapnik [] cho thấy làm thế nào đào tạo một SVM cho vấn đề công nhận mẫu dẫn đến vấn đề tối ưu hóa bậc hai sau:

Kết quả (Việt) 2:

Khả năng sử dụng hạt nhân khác nhau cho phép xem các phương pháp học tập như Chức năng Cơ sở Radial Neural Network (RBFNN) hoặc nhiều lớp Artificial Neural Networks (ANN) là trường hợp đặc biệt của SVM mặc dù thực tế rằng các tiêu chí tối ưu hóa không giống nhau []. Trong khi ANNs và RBFNN tối ưu hóa giá trị trung bình bình phương lỗi phụ thuộc vào sự phân bố của tất cả các dữ liệu, tối ưu hóa SVM là một tiêu chí hình học, đó là lợi nhuận và chỉ nhạy cảm với các giá trị cực đoan và không đến sự phân bố của dữ liệu vào không gian đặc trưng. Phương pháp SVM biến đổi dữ liệu thành một không gian F tính năng mà thường có một chiều hướng rất lớn. Nó là thú vị để lưu ý rằng SVM tổng quát phụ thuộc vào các đặc trưng hình học của dữ liệu huấn luyện, không phải trên kích thước của không gian đầu vào. Đào tạo một máy vector hỗ trợ (SVM) dẫn đến một vấn đề tối ưu hóa bậc hai với những hạn chế ràng buộc và một ràng buộc tuyến tính bình đẳng. Vapnik [] cho thấy cách huấn luyện một SVM cho bài toán nhận dạng mẫu dẫn đến các vấn đề tối ưu hóa bậc hai sau đây: