This subsection describes the evalu

This subsection describes the evaluation measures used
in this experiment. The evaluation measures are the following:
1) Features Predictive Performance
In order to measure predictive performance of extracted
features we uses the information gain with respect to the
class.
The Information Gain Attribute Evaluation (InfoGain Attribute
Evaluation) is a method that evaluates the worth of an
attribute by measuring the information gain with respect to
the class [25]. This method is able to evaluate the predictive
power of an attribute (an extracted feature in our case). Accordingly,
we use the method to identify the influence of a
feature in UML CD prediction. The InfoGain Attribute Evaluation
produce a value from 0 to 1 in which a higher value
indicates a stronger influence.
2) Classification Algorithm Performance
We use a confusion matrix to evaluate the machine learning
classification algorithms. Table II shows a confusion
matrix. In this table, for the case of the actual data is positive
(Y), TP represents the number of correct predictions (true
positive) and FN represents the number of incorrect predictions
(false negative) by the classification algorithms. In the
case of the actual data is negative (N), FP represents the
incorrect predictions (false positive) while TN represents
correct predictions (true negative).

ผลลัพธ์ (ไทย) 2:

หมวดนี้จะอธิบายถึงการประเมินผลมาตรการที่ใช้ในการทดลองนี้
มาตรการการประเมินผลดังต่อไปนี้:
1) คุณสมบัติที่มีประสิทธิภาพ Predictive
เพื่อที่จะวัดประสิทธิภาพของการคาดการณ์ของการสกัดคุณสมบัติที่เราใช้กำไรข้อมูลเกี่ยวกับ. ชั้นข้อมูลกำไรแอตทริบิวต์การประเมินผล (Infogain แอตทริบิวต์การประเมินผล) เป็นวิธีที่ประเมินความคุ้มค่าของการแอตทริบิวต์โดยการวัดได้รับข้อมูลเกี่ยวกับการเรียน [25] วิธีนี้สามารถที่จะประเมินผลการทำนายพลังของแอตทริบิวต์ (คุณลักษณะที่สกัดในกรณีของเรา) ดังนั้นเราจะใช้วิธีการระบุอิทธิพลคนหนึ่งของคุณลักษณะในการทำนายซีดีUML การประเมินคุณสมบัติ Infogain ผลิตค่า 0-1 ซึ่งค่าที่สูงขึ้นแสดงให้เห็นอิทธิพลแข็งแกร่ง. 2) ขั้นตอนวิธีการจัดหมวดหมู่ผลงานของเราใช้เมทริกซ์ความสับสนในการประเมินผลการเรียนรู้เครื่องขั้นตอนวิธีการจัดหมวดหมู่ ตารางที่สองแสดงให้เห็นถึงความสับสนเมทริกซ์ ในตารางนี้สำหรับกรณีของข้อมูลที่แท้จริงเป็นบวก(Y), TP แสดงถึงจำนวนของการคาดการณ์ที่ถูกต้อง (จริงบวก) และ FN แสดงถึงจำนวนของการคาดการณ์ที่ไม่ถูกต้อง(เท็จลบ) โดยขั้นตอนวิธีการจัดหมวดหมู่ ในกรณีของข้อมูลที่แท้จริงเป็นลบ (N) FP แสดงให้เห็นถึงการคาดการณ์ไม่ถูกต้อง(บวกปลอม) ในขณะที่เทนเนสซีแสดงให้เห็นถึงการคาดการณ์ที่ถูกต้อง(จริงลบ)

ผลลัพธ์ (ไทย) 3:

ส่วนนี้อธิบายถึงการประเมินมาตรการที่ใช้
ในการทดลองนี้ การประเมินมาตรการดังต่อไปนี้ 1 ) ลักษณะการแสดง

ทำนายเพื่อวัดประสิทธิภาพของการสกัด
ทำนายคุณสมบัติที่เราใช้รับข้อมูลด้วยความเคารพ

ข้อมูลแอตทริบิวต์ชั้นเรียน ได้รับการประเมิน ( infogain คุณลักษณะ
ประเมินผล ) เป็นวิธีการประเมินมูลค่าของ
คุณลักษณะโดยวัดข้อมูล ด้วยความเคารพ

เรียน [ 25 ] วิธีนี้จะสามารถประเมินความสามารถ
ของแอตทริบิวต์ ( สกัดคุณลักษณะในกรณีของเรา ) โดย
เราใช้วิธีระบุอิทธิพลของ
คุณลักษณะใน UML ซีดีพยากรณ์ การ infogain คุณลักษณะการประเมิน
ผลิตค่าจาก 0 เป็น 1 ซึ่งสูงกว่าค่าบ่งบอกถึงอิทธิพลที่แข็งแกร่ง

.2 ) การจำแนกขั้นตอนวิธีการปฏิบัติ
เราใช้ความสับสนเมทริกซ์เพื่อประเมินการเรียนรู้เครื่อง
ขั้นตอนวิธีการจำแนก ตารางที่ 2 แสดงให้เห็นถึงความสับสน
เมทริกซ์ ในโต๊ะนี้ สำหรับกรณีของข้อมูลที่แท้จริงเป็นบวก
( Y ) , TP จะแสดงถึงจำนวนของการคาดการณ์ที่ถูกต้อง ( จริง
บวก ) และองค์การสหประชาชาติ หมายถึง จำนวนที่ไม่ถูกต้องคาดคะเน
( ลบปลอม ) โดยการจำแนกขั้นตอนวิธีใน
กรณีข้อมูลที่แท้จริงเป็นลบ ( n ) FP เป็น
คาดคะเนไม่ถูกต้อง ( บวกเท็จ ) ในขณะที่ TN แทน
ทำนายถูกจริง ( ลบ )