檢索結果:共2筆資料 檢索策略: ckeyword.raw="核函數" and ckeyword.raw="特徵選取" and ckeyword.raw="特徵選取"
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
在機器學習領域中,資料分析會隨著「屬性向量」維度過高或過低而變成具有挑戰性的任務。隨著屬性向量的維度越高,分類模型會需要更大量的運算成本,還有可能因為訓練過度而發生過擬合(overfitting)的…
2
在機器學習(Machine learning)領域中,低維度且線性不可分的資料一直都是個很有挑戰性的任務,為了解決這一困難,可以應用核函數將屬性向量從低維度空間轉換到高維度空間。但是在增加屬性向量的…