SVM (Support Vector Machine) was us

SVM (Support Vector Machine) was used for classification based onthe work by Khandokar et al. [22]. In this method, a part of a dataset istypically used for training (healthy and patients are denoted by labels of 1 and þ1 respectively), while the remaining data is used to validate thealgorithm. The algorithm compares the test data with true labels, wherethe accuracy of the classifier increases with the number of true labels.The leave-one-out method is used in the cross validation technique forthe low number of observations [22]. Furthermore, two indicators aredefined for the specificity and sensitivity in the process of finding theoptimum classifier. These indicators along with the classification accuracyare considered as the overall quality measures of the classifier.

結果 (繁體中文) 1:

SVM（支持向量機）是基於用於分類
的Khandokar等工作。[22]。在該方法中，數據集的一部分
通常用於訓練（健康的患者是用1和TH1分別標籤表示），而剩餘的數據被用於驗證
算法。該算法比較與真標籤測試數據，其中
的與真正的標記物的數量的分類器的準確性增加。
留一出方法在交叉驗證技術用於
低若干意見[22]。此外，兩個指標都
在尋找過程中的特異性和靈敏性定義
最佳分類器。與分類精度沿著這些指標
被認為是分級的整體質量的措施。

結果 (繁體中文) 2:

SVM（支援向量機）用於分類基於
汗多卡爾等人的作品[22]。在此方法中，資料集的一部分是
通常用於培訓（健康型和患者分別用 1 和 #1 的標籤表示），而其餘資料用於驗證
演算法。該演算法將測試資料與真實標籤進行比較，其中
分類器的準確性隨真實標籤的數量而增加。
在交叉驗證技術中使用了一次性退出方法。
觀測值數低 [22]。此外，兩個指標是
定義在查找過程中特異性和敏感性
最佳分類器。這些指標以及分類精度
被視為分類器的整體品質度量。

結果 (繁體中文) 3:

採用支持向量機（SVM）進行分類
Khandokar等人的工作。[22]。在這種方法中，數据集的一部分是
通常用於訓練（健康和患者分別用1和1表示），而剩餘的數據用於驗證
算灋。算灋將測試數據與真標籤進行比較，其中
分類器的準確度隨著真標籤數目的新增而提高。
在交叉驗證科技中使用leave one out方法
觀察次數少[22]。此外，兩個名額是
在發現
最佳分類器。這些名額與分類精度
被認為是分類器的總體質量度量。