CONCLUSIONSThis research work invol

CONCLUSIONS
This research work involves using SVM and SVM-KNN to classify the input sample image into normal image or abnormal image. Experimental outcome show the effectiveness of the two models. SVM with Quadratic kernel achieves maximum of 96% classification accuracy and Hybrid classifier (SVM-KNN) achieves 98% classification accuracy rate on the same test set. We conclude that SVM-KNN TABLE II gives better accuracy rate than the SVM TABLE I.

ผลลัพธ์ (ไทย) 1:

บทสรุปงานวิจัยนี้เกี่ยวข้องกับการใช้ SVM และ SVM KNN เพื่อจัดประเภทภาพตัวอย่างสำหรับการป้อนค่าลงในภาพปกติหรือผิดปกติภาพ ผลการทดลองแสดงประสิทธิภาพของสองรุ่น SVM กับเคอร์เนลกำลังสองประสบความสำเร็จสูงสุด 96% ประเภทแม่นยำ และลักษณนามไฮบริด (SVM KNN) ประสบความสำเร็จ 98% อัตราความถูกต้องของการจัดประเภทชุดทดสอบเดียวกัน เราสรุปได้ว่า SVM KNN ตาราง II ที่ให้ความแม่นยำมากขึ้นคะแนนกว่าตาราง SVM ฉัน

ผลลัพธ์ (ไทย) 2:

สรุป
งานวิจัยนี้เกี่ยวข้องกับการใช้และ SVM SVM-KNN การจำแนกตัวอย่างภาพการป้อนข้อมูลที่เป็นภาพปกติหรือภาพที่ผิดปกติ ผลการทดลองแสดงให้เห็นประสิทธิภาพของทั้งสองรุ่น SVM กับเคอร์เนลกำลังสองประสบความสำเร็จสูงสุดของความถูกต้องจำแนก 96% และไฮบริดลักษณนาม (SVM-KNN) ประสบความสำเร็จในการจำแนกอัตราความถูกต้อง 98% ในการทดสอบชุดเดียวกัน เราสรุปได้ว่า SVM-KNN ตารางที่สองจะช่วยให้อัตราความถูกต้องดีกว่า SVM ตาราง I.

ผลลัพธ์ (ไทย) 3:

สรุปงานวิจัยนี้เกี่ยวข้องกับการใช้และ SVM svm-knn แยกใส่ตัวอย่างภาพเป็นภาพธรรมดาหรือภาพที่ผิดปกติ ผลการทดลองแสดงให้เห็นว่าประสิทธิภาพของทั้งสองรุ่น SVM กับ Quadratic เคอร์เนลใช้สูงสุดของความถูกต้องประเภท 96 และแบบไฮบริด ( svm-knn ) ใช้ 98% การจำแนกอัตราความถูกต้องในชุดแบบเดียวกัน เราสรุปได้ว่า svm-knn ตารางที่ 2 ให้คะแนนความถูกต้องดีกว่า SVM โต๊ะฉัน