Since we deal with a rather diverse

Since we deal with a rather diverse data set, we constructed
separate subjectivity classifiers for each of our product categories. We trained the classifier using a Dynamic Language Model classifier with n-grams (n = 8) from the LingPipe toolkit. The accuracy of the classifiers according to the Area under the ROC curve, measured using 10-fold cross validation was: 0.85 for audio and video players, 0.87 for digital cameras,
and 0.82 for DVDs.

ผลลัพธ์ (ไทย) 1:

เพราะเราจัดการกับชุดข้อมูลที่ค่อนข้างหลากหลาย เราสร้างคำนามภาษา subjectivity แยกต่างหากสำหรับแต่ละประเภทผลิตภัณฑ์ของเรา เราฝึกลักษณนามใช้เป็นลักษณนามแบบจำลองภาษาแบบไดนามิกกับกรัม n (n = 8) จากเครื่องมือ LingPipe แก้ไขความถูกต้องของคำนามภาษาตามพื้นที่ใต้โค้ง ROC ใช้สอบ 10-fold cross: สำหรับผู้เล่นเสียง และวิดีโอ กล้องดิจิตอล 0.87 0.85และ 0.82 สำหรับดีวีดี

ผลลัพธ์ (ไทย) 2:

เนื่องจากเราจัดการกับชุดข้อมูลที่มีความหลากหลายค่อนข้างเราสร้าง
ลักษณนามส่วนตัวที่แยกต่างหากสำหรับแต่ละประเภทผลิตภัณฑ์ของเรา เราได้รับการฝึกฝนลักษณนามใช้ภาษาแบบไดนามิกรุ่นลักษณนามกับ N-กรัม (n = 8) จากชุดเครื่องมือ LingPipe ความถูกต้องของตัวจําแนกตามพื้นที่ใต้เส้นโค้ง ROC, วัดโดยใช้การตรวจสอบข้าม 10 เท่าคือ: 0.85 สำหรับผู้เล่นเสียงและวิดีโอ 0.87 สำหรับกล้องดิจิตอล
และ 0.82 สำหรับดีวีดี

ผลลัพธ์ (ไทย) 3:

เพราะเราจัดการกับค่อนข้างหลากหลาย เราสร้างชุดข้อมูลคือวิชาที่แยกต่างหากสำหรับแต่ละประเภทของผลิตภัณฑ์ของเรา เราฝึกการจำแนกโดยใช้รูปแบบแบบไดนามิกภาษาลักษณนามกับ n-grams ( n = 8 ) จาก lingpipe เครื่องมือ . ความถูกต้องของคำลักษณนามตามพื้นที่ภายใต้โค้ง ROC , วัดโดยใช้ 10 โฟลด : 0.85 สำหรับเล่นเสียงและวิดีโอ , 0.87 สำหรับกล้องดิจิตอลและ 0.82 สำหรับดีวีดี