Table IV shows the prediction perfo

Table IV shows the prediction performance of the six
classification algorithms using the features. The classification
performance ranges from 89% to 91.4% in terms of
specificity and from 90.2% to 95.9% in terms of sensitivity.
Therefore, we are certain that the proposed features are suitable
for classifying UML diagram based on the input images.
The four features whose InfoGain values equal 0 can be
considered of too small of influence and can be excluded
from the feature set. We check this exclusion by comparing
the performance of the classification algorithms on the two
features sets: one is full-feature set (so called FS23), and the
other is the reduced-feature set (so called FS19). The result is
shown on Table VI explicitly shows that the exclusion helps
the classification algorithms to improve their performance of
eliminating non-UML CDs. Comparing with FS23, while
sensitivity scores recorded on FS19 slightly decrease with at
most 0.2% through all algorithms, specificity values increase
from 0.2% to 0.7% on 3 out of 6 algorithms.

ผลลัพธ์ (ไทย) 1:

ตาราง IV แสดงประสิทธิภาพการคาดเดาของ 6อัลกอริทึมการจัดประเภทที่ใช้ลักษณะการทำงาน การจัดประเภทช่วงประสิทธิภาพจาก 89% 91.4% ในแง่ของspecificity และ 90.2% 95.9% ความไวในการดังนั้น เราแน่ใจว่า คุณลักษณะการนำเสนอเหมาะสมสำหรับการจัดประเภทแผนภาพ UML ตามภาพเข้าลักษณะการทำงาน 4 ที่ InfoGain มีค่าเท่ากับ 0 สามารถถือว่าเป็นของเล็กเกินไปมีอิทธิพล และสามารถแยกออกจากชุดคุณลักษณะ เราตรวจสอบแยกนี้ โดยการเปรียบเทียบประสิทธิภาพการทำงานของอัลกอริทึมการจัดประเภทในสองลักษณะชุด: คือชุดคุณลักษณะแบบเต็ม (เรียกว่า FS23), และอื่น ๆ คือชุดคุณลักษณะลดลง (เรียกว่า FS19) ผลที่ได้คือแสดงในตาราง VI อย่างชัดเจนซึ่งช่วยตัดอัลกอริทึมการจัดประเภทเพื่อปรับปรุงการปฏิบัติของตัดซีดี UML ไม่เปรียบเทียบกับ FS23 ขณะที่บันทึกไว้ใน FS19 เล็กน้อยคะแนนความไวลดลงกับที่เพิ่มค่า specificity สุด 0.2% ผ่านอัลกอริทึมทั้งหมดจาก 0.2% 0.7% ในอัลกอริทึม 3 จาก 6

ผลลัพธ์ (ไทย) 2:

IV
ตารางที่แสดงให้เห็นถึงประสิทธิภาพการทำงานที่คาดการณ์ในหกขั้นตอนวิธีการจัดหมวดหมู่โดยใช้คุณสมบัติ การจำแนกประเภทช่วงการปฏิบัติงานจาก 89% มาอยู่ที่ 91.4% ในแง่ของความจำเพาะและจาก90.2% เป็น 95.9% ในแง่ของความไว. ดังนั้นเราจึงมั่นใจว่าคุณสมบัติที่นำเสนอมีความเหมาะสมสำหรับการจำแนกแผนภาพ UML ขึ้นอยู่กับภาพการป้อนข้อมูล. สี่คุณสมบัติ ที่มีค่าเท่ากับ 0 Infogain สามารถพิจารณาของขนาดเล็กเกินไปที่มีอิทธิพลและสามารถแยกออกจากชุดคุณลักษณะ เราตรวจสอบการยกเว้นนี้โดยการเปรียบเทียบผลการดำเนินงานของขั้นตอนวิธีการจัดหมวดหมู่ในสองคุณสมบัติชุดหนึ่งเป็นชุดเต็มมีคุณลักษณะ(เรียกว่า FS23) และอื่นๆ ที่เป็นชุดลดคุณลักษณะ (เรียกว่า FS19) ผลที่ได้คือที่แสดงในตารางที่หกอย่างชัดเจนแสดงให้เห็นว่าการยกเว้นจะช่วยให้ขั้นตอนวิธีการจัดหมวดหมู่ในการปรับปรุงประสิทธิภาพการทำงานของพวกเขาในการขจัดแผ่นซีดีที่ไม่UML เปรียบเทียบกับ FS23 ในขณะที่คะแนนความไวบันทึกไว้ในFS19 ลดลงเล็กน้อยที่มีมากที่สุด0.2% ผ่านขั้นตอนวิธีการทุกความจำเพาะค่าเพิ่มขึ้นจาก0.2% เป็น 0.7% ในวันที่ 3 จากทั้งหมด 6 ขั้นตอนวิธีการ

ผลลัพธ์ (ไทย) 3:

ตารางที่ 4 แสดงการทำนายประสิทธิภาพของหก
การจำแนกขั้นตอนวิธีโดยใช้คุณลักษณะ ประสิทธิภาพการจำแนก
ช่วงจาก 89 % ส่วนในด้านความจำเพาะและจาก 90.2
ร้อยละ 95.9 % ในแง่ของความไว
ดังนั้นเราจึงมีบางอย่างที่เสนอคุณสมบัติเหมาะสำหรับการจำแนกตามแผนภาพ UML

ใส่รูปสี่คุณสมบัติที่ infogain ค่าเท่ากับ 0 สามารถ
ถือว่ามากเกินไปขนาดเล็กของอิทธิพลและสามารถแยกออก
จากคุณลักษณะชุด เราตรวจสอบการยกเว้นนี้โดยการเปรียบเทียบประสิทธิภาพของขั้นตอนวิธีการจำแนก

คุณสมบัติในสองชุด : มีชุดคุณลักษณะที่เต็ม ( เรียกว่าก็ ) , และอื่น ๆ คุณลักษณะชุด
ลดลง ( เรียกว่า fs19 ) ผลที่ได้คือ
ตารางที่ 6 แสดงอย่างชัดเจนแสดงให้เห็นว่าไปช่วย
การจำแนกขั้นตอนวิธีเพื่อปรับปรุงประสิทธิภาพของพวกเขา
ขจัดไม่ใช่ UML ซีดี เทียบกับ ก็ ในขณะที่
ไวคะแนนบันทึกไว้ใน fs19 เล็กน้อยลดลง 0.2% จากที่
ส่วนใหญ่ใช้วิธีเพิ่มค่า
จาก 0.2% ถึง 0.7% จาก 3 ใน 6 วิธี