Table IV shows the evaluation resul

Table IV shows the evaluation result. The first row and
the second row show specificity score and sensitivity score,
respectively. Followers are their standard deviation.
As can be seen in the Table IV, in term of sensitivity,
Random Forest shows an excellent result with almost 96%
UML CDs images were correctly classified. This follows
with J48 and SVM with 92.5% and 92% respectively.
On the other hand, in term of specificity. LR performed
the best with 91.4% of correctly classified non-UML CDs
images. SVM performed the worst specificity with 89%.
The results also show that the standard deviation on the
results are relatively small (0.01- 0.05) that indicate the results
are considered reliable (small variation). In summary,
LR performs the best in term of eliminating non-UML CD
images. Accordingly, LR is considered as the best classification
algorithm for our classifier with mentioned-extraction
features.
The confusion matrix in Table IV illustrates the classification
result generated by applying the LR classifier to our
dataset. From total of 1300 images, 1183 images were classified
correctly. 596 out of 650 UML CD images were correctly
predicted as UML CDs. Also 587 out of 650 non-UML
CD images were correctly recommended as non-UML CDs.
On the other hand, among 117 incorrectly classified images,
there was 54 false positives (predicted as UML CDs,

ผลลัพธ์ (ไทย) 1:

ตาราง IV แสดงผลการประเมิน แถวแรก และแถวสองแสดง specificity คะแนนและคะแนนความไวตามลำดับ ลูกศิษย์มีส่วนเบี่ยงเบนมาตรฐานของสามารถเห็นในตาราง IV ในแง่ของความไวป่าสุ่มแสดงผลลัพธ์ยอดเยี่ยมเกือบ 96%ถูกต้องถูกประเภทภาพซีดี UML นี้ต่อไปนี้J48 และ SVM 92.5% และ 92% ตามลำดับในทางกลับกัน specificity ใน LR ที่ดำเนินการส่วน 91.4% ของลับอย่างไม่ - UML ซีดีภาพ SVM ทำ specificity ที่เลวร้ายที่สุด 89%ผลลัพธ์แสดงที่ส่วนเบี่ยงเบนมาตรฐานในการมีผลค่อนข้างเล็ก (0.01-0.05) ที่ระบุผลจะถือว่าเชื่อถือได้ (ขนาดเล็กเปลี่ยนแปลง) ในสรุปLR ทำดีสุดในการตัดซี UMLภาพ ตาม LR จะถือเป็นการจัดประเภทที่ดีที่สุดอัลกอริทึมสำหรับเรา classifier กับสกัดดังกล่าวลักษณะการทำงานเมตริกซ์ความสับสนใน IV ตารางแสดงการจัดประเภทผลลัพธ์ที่สร้าง โดยใช้ classifier LR เพื่อของเราชุดข้อมูล จากทั้งหมด 1300 ภาพ 1183 รูปถูกจัดประเภทถูกต้อง 596 จาก 650 ภาพ UML ซีดีได้อย่างถูกต้องคาดว่า เป็นซีดี UML ยัง 587 ของ 650 ไม่-UMLซีดีภาพได้ถูกแนะนำเป็นไม่ - UML ซีดีในทางกลับกัน ระหว่าง 117 ภาพลับไม่ถูกต้องมี 54 เท็จทำงานผิดพลาด (คาดว่า เป็นซีดี UML

ผลลัพธ์ (ไทย) 2:

IV ตารางแสดงผลการประเมินผล แถวแรกและแถวที่แสดงคะแนนความจำเพาะที่สองและคะแนนความไวตามลำดับ ผู้ติดตามมีค่าเบี่ยงเบนมาตรฐานของพวกเขา. ที่สามารถเห็นได้ในตารางที่สี่ในระยะของความไว, ป่าสุ่มแสดงให้เห็นผลที่ดีเยี่ยมกับเกือบ 96% UML ภาพซีดีถูกจัดอย่างถูกต้อง นี้ตามด้วย J48 และ SVM กับ 92.5% และ 92% ตามลำดับ. ในทางกลับกันในระยะของความจำเพาะ LR ดำเนินการที่ดีที่สุดกับ91.4% ของจัดอย่างถูกต้องที่ไม่ UML ซีดีภาพ SVM ดำเนินการเฉพาะเจาะจงที่เลวร้ายที่สุดที่มี 89%. ผลที่ได้นอกจากนี้ยังแสดงให้เห็นว่าค่าเบี่ยงเบนมาตรฐานในผลมีขนาดค่อนข้างเล็ก (0.01- 0.05) ที่บ่งบอกถึงผลลัพธ์ที่มีการพิจารณาความน่าเชื่อถือ(รูปแบบขนาดเล็ก) โดยสรุปLR ดำเนินการที่ดีที่สุดในระยะของการกำจัดที่ไม่ UML ซีดีภาพ ดังนั้น LR ถือเป็นการจัดหมวดหมู่ที่ดีที่สุดอัลกอริทึมสำหรับลักษณนามของเราที่มีการกล่าวถึงสกัดคุณสมบัติ. เมทริกซ์ความสับสนในตารางที่แสดงให้เห็นถึง IV การจัดหมวดหมู่ผลที่เกิดจากการใช้ลักษณนามLR ของเราชุด จำนวนทั้งสิ้น 1,300 ภาพ 1183 ภาพที่ถูกจัดอย่างถูกต้อง 596 จาก 650 UML ภาพซีดีที่ได้รับอย่างถูกต้องคาดการณ์ซีดีUML นอกจากนี้ยังมี 587 จาก 650 ที่ไม่ UML ภาพซีดีที่ถูกแนะนำอย่างถูกต้องเป็นที่ไม่ UML ซีดี. ในทางกลับกันในหมู่ 117 ภาพจัดไม่ถูกต้องมี54 บวกเท็จ (คาดการณ์ซีดี UML,

ผลลัพธ์ (ไทย) 3:

ตารางที่ 4 แสดงผลการประเมิน แถวแรกและแถวที่สอง แสดงความจำเพาะ

คะแนน และคะแนนความไว ตามลำดับ ผู้ติดตามเป็นส่วนเบี่ยงเบนมาตรฐาน .
ที่สามารถเห็นได้ในโต๊ะสี่ ในแง่ของความไว
สุ่มป่าแสดงผลยอดเยี่ยมกับเกือบ 96 %
UML ซีดีภาพ จำแนกได้อย่างถูกต้อง นี้ตามด้วยและด้วย
j48 SVM 92.5 %
และ 92 ตามลำดับบนมืออื่น ๆ ในแง่ของ specificity LR )
% จำแนกถูกต้องที่สุดกับส่วนที่ไม่ใช่ UML ซีดี
ภาพ แสดงความจำเพาะที่เลวร้ายที่สุด SVM 89 %
นอกจากนี้ผลการศึกษาแสดงให้เห็นว่าส่วนเบี่ยงเบนมาตรฐานบน
ผลมีขนาดค่อนข้างเล็ก ( 0.01 - 0.05 ) ที่แสดงผล
ถือว่าเชื่อถือได้ ( การเปลี่ยนแปลงเล็ก ๆ ) ในการสรุป ,
LR มีประสิทธิภาพที่ดีที่สุดในแง่ของการขจัดที่ไม่ใช่ UML ซีดี
ภาพ ตาม , LR ถือเป็นดีที่สุดหมวดหมู่
ขั้นตอนวิธีของเรากับลักษณนามกล่าวถึงคุณลักษณะการสกัด
.
สับสนเมทริกซ์ตารางที่ 4 แสดงหมวดหมู่
ผลสร้างขึ้นโดยใช้ LR ลักษณนามกับพื้นผิวของเรา

จากทั้งหมด 1 , 300 ภาพ หมุนภาพได้ จัด
ได้อย่างถูกต้อง596 จาก 650 UML ซีดีภาพได้อย่างถูกต้อง
ทำนายว่าเป็นคัมภีร์ ซีดี ยังก็ออก 650 ไม่ใช่ UML
ซีดีภาพได้อย่างถูกต้อง ไม่แนะนำ UML ซีดี .
บนมืออื่น ๆ , ระหว่าง 117 จัดผิดภาพ
มี 54 บวกเท็จ ( คาดการณ์ไว้เป็นคัมภีร์ ซีดี