In our experiments, support vector

In our experiments, support vector machines (SVMs)
(Vapnik 1995; Cortes and Vapnik 1995; Burges 1998) were
used to model and classify each subject. Being a powerful
supervised learning method, SVM is especially suitable for
classification tasks. In its basic form, given two classes of patterns (typically described as ‘‘positive’’ and ‘‘negative’’)
for training, this technique basically finds the hyperplane
that ‘‘optimally’’ discriminates between these two classes.

Results (Thai) 1:

ในการทดลองของเรา สนับสนุนเครื่องแบบเวกเตอร์ (SVMs)(Vapnik 1995 สคอทส์และ Vapnik 1995 Burges 1998) ได้ใช้รูปแบบ และการจัดประเภทแต่ละหัวข้อ การที่มีประสิทธิภาพแบบมีผู้สอนวิธีการเรียนรู้ SVM เหมาะอย่างยิ่งสำหรับจัดประเภทงาน ในรูปแบบพื้นฐาน รับชั้นสองของรูปแบบ (มักจะอธิบายว่า ''บวก '' และ ''ลบ '')การฝึกอบรม เทคนิคนี้โดยทั่วไปพบ hyperplaneที่ ''อย่างเหมาะสม '' discriminates ระหว่าง 2 ชั้นนี้

Results (Thai) 2:

ในการทดลองของเราสนับสนุนเครื่องเวกเตอร์ (SVMs)
(Vapnik 1995; คอร์เทสและ Vapnik 1995; Burges 1998) ถูก
นำมาใช้เพื่อสร้างแบบจำลองและจำแนกแต่ละเรื่อง เป็นที่มีประสิทธิภาพ
ในการเรียนรู้วิธีการดูแล SVM เหมาะสมอย่างยิ่งสำหรับ
งานการจัดหมวดหมู่ ในรูปแบบพื้นฐานที่ได้รับสองชั้นของรูปแบบ (ตามที่อธิบายมักจะเป็น '' บวก '' และ '' เชิงลบ '')
สำหรับการฝึกอบรมเทคนิคนี้โดยทั่วไปพบว่าไฮเปอร์เพล
ว่า '' ดีที่สุด '' เลือกปฏิบัติระหว่างทั้งสองชั้น

Results (Thai) 3:

ในการทดลองของเรา สนับสนุนเครื่องเวกเตอร์ ( แบบ )
( vapnik 1995 ; Cortes vapnik 1995 และ 1998 ; เบิร์ก )
ใช้รูปแบบและแยกแยะแต่ละเรื่อง การดูแลที่มีประสิทธิภาพ
การเรียน SVM เหมาะสมอย่างยิ่งสำหรับ
งานการจำแนกประเภท ในรูปแบบพื้นฐานให้สองชั้นของรูปแบบ ( มักจะอธิบายเป็น ' 'positive ' ' และ ' ' 'negative ' ' )
สำหรับการฝึกอบรมเทคนิคนี้โดยทั่วไปจะพบว่าระนาบเกิน
'optimally ' ' ไม่ยอมรับ ' ระหว่างสองชนชั้น