决策树支持向量机,Decision-tree-based support vector machines,音标,读音,翻译,英文例句,英语词典

您的位置：首页 -> 词典 -> 决策树支持向量机

1) Decision-tree-based support vector machines 点击朗读

决策树支持向量机

2) decision-tree-based support vector machine 点击朗读

决策树型支持向量机

At first, the authors quickly clear the disturbing regions using shape based moments on the basis of particular color and regular geometrics of traffic signs, then make remaining regions standard and input them into decision-tree-based support vector machine which well worked to recognize.

首先根据交通标志特殊颜色信息和规则几何外形,利用边界矩技术迅速清除干扰区域,然后将剩下的区域规格化,送入训练好的决策树型支持向量机识别。

3) SVM Decision Tree(SVMDT) 点击朗读

支持向量机决策树算法

例句>>

4) decision-directed acyclic graph SVM 点击朗读

有向无环图决策支持向量机

5) support vector machine tree 点击朗读

支持向量机树

Novel support vector machine tree learning model; 点击朗读

一种新的支持向量机树学习模型

6) Fussy Discrimination Support Vector Machines(FDSVM) 点击朗读

模糊判决支持向量机

例句>>

补充资料：支持向量机方法

支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。

说明：补充资料仅用于学习参考，请勿用于其它任何用途。

参考词条

意向决策支持决策支持支持向量机

说明：双击或选中下面任意单词，将显示该词的音标、读音、翻译等；选中中文或多个词，将显示翻译。
	您的位置：首页 -> 词典 -> 决策树支持向量机 1) Decision-tree-based support vector machines 决策树支持向量机例句>> 2) decision-tree-based support vector machine 决策树型支持向量机 1. At first, the authors quickly clear the disturbing regions using shape based moments on the basis of particular color and regular geometrics of traffic signs, then make remaining regions standard and input them into decision-tree-based support vector machine which well worked to recognize. 首先根据交通标志特殊颜色信息和规则几何外形,利用边界矩技术迅速清除干扰区域,然后将剩下的区域规格化,送入训练好的决策树型支持向量机识别。 3) SVM Decision Tree(SVMDT) 支持向量机决策树算法例句>> 4) decision-directed acyclic graph SVM 有向无环图决策支持向量机 5) support vector machine tree 支持向量机树 1. Novel support vector machine tree learning model; 一种新的支持向量机树学习模型 6) Fussy Discrimination Support Vector Machines(FDSVM) 模糊判决支持向量机例句>> 补充资料：支持向量机方法支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。说明：补充资料仅用于学习参考，请勿用于其它任何用途。参考词条

©2011 dictall.com