While there is much redundancy betw

While there is much redundancy between the measurements
(for instance the feature pairs b/d and f/j above), it was
decided to use all the possibilities since the SVM is not much
affected by this and performs well under situations of correlation
between data. In fact, in a later stage, we empirically
noted that removing some of the features, which seemed not
to be part of individual filling style characteristics, gave
improved results. Ultimately, employing some feature decorrelation
(or selection) procedure might be helpful. To
perform this, a much larger experiment would be necessary
for allocating part of the data set for development.

Results (Thai) 2:

ในขณะที่มีความซ้ำซ้อนมากระหว่างการวัด
(เช่นคู่คุณลักษณะบาร์เรล / f / J ด้านบน) มันก็
ตัดสินใจที่จะใช้เป็นไปได้ทั้งหมดตั้งแต่ SVM ไม่มาก
รับผลกระทบจากเรื่องนี้และดำเนินการได้ดีภายใต้สถานการณ์ของความสัมพันธ์
ระหว่างข้อมูล . ในความเป็นจริงในขั้นตอนต่อมาเราสังเกตุ
ตั้งข้อสังเกตว่าการเอาคุณลักษณะบางอย่างที่ดูเหมือนจะไม่
เป็นส่วนหนึ่งของการเติมลักษณะสไตล์ของแต่ละบุคคลให้
ผลดีขึ้น ในท้ายที่สุดการจ้างบางคุณลักษณะ decorrelation
(หรือเลือก) ขั้นตอนอาจจะเป็นประโยชน์ ในการ
ดำเนินการนี้การทดลองที่มีขนาดใหญ่จะมีความจำเป็น
ในการจัดสรรส่วนหนึ่งของข้อมูลที่กำหนดไว้สำหรับการพัฒนา

Results (Thai) 3:

ในขณะที่มีความซ้ำซ้อนมากระหว่างการวัด
( ตัวอย่างเช่นคุณลักษณะคู่ B / D และ F / J ,
ข้างบน ) ก็ตัดสินใจที่จะใช้โอกาสทั้งหมดตั้งแต่ SVM ไม่มาก
ผลกระทบนี้ และแสดงได้ดี ภายใต้สถานการณ์ความสัมพันธ์
ระหว่างข้อมูล ในความเป็นจริงในขั้นตอนภายหลัง เราสังเกตุ
กล่าวว่า การลบบางคุณลักษณะ ซึ่งดูเหมือนจะไม่ได้
เป็นส่วนหนึ่งของแต่ละคุณลักษณะเติมสไตล์ให้
ผลลัพธ์ดีขึ้น ในที่สุด การใช้คุณลักษณะบางอย่าง decorrelation
( หรือเลือก ) กระบวนการนี้จะเป็นประโยชน์

แสดงนี้ การทดลองใหญ่มากจะเป็นส่วนของการจัดสรร
สำหรับชุดข้อมูลสำหรับการพัฒนา