3. ResultsThe performance of the th

3. Results
The performance of the three classifiers of web content belonging
to the field of healthcare or outside of this field was evaluated
by means of sensitivity and specificity measurements made
through the three strategies proposed and the pattern classifier
Naive Bayes. Table 5 presents this performance generated from
the entire training database and evaluated using the validation
database.
In relation to the dataset bootstrapping technique, for the 30
draws that were performed for each of the 10 different tests, the
sensitivity and specificity values of the classifiers were calculated
for the validation database. The means and standard deviations
of the sensitivity and specificity values for each test are presented
in Table 6.
Table 7 shows the AUC calculated for the classifiers, from the 10
tests performed within the dataset bootstrapping technique.
In addition, regarding the dataset bootstrapping technique,
Table 8 presents the p-values for the paired Mann–Whitney test,
which was used with the aim of identifying whether there were
any significant mean differences between the classifiers that were
obtained through the strategies proposed for each test that was
performed. The differences were considered significant for p-values

ผลลัพธ์ (ไทย) 1:

3
ผลการปฏิบัติงานของสามแยกแยะของเนื้อหาเว็บที่เป็น
ไปที่สนามของการดูแลสุขภาพหรือภายนอกของข้อมูลนี้ถูกประเมิน
โดยวิธีของความไวและความจำเพาะวัดทำ
ผ่านสามกลยุทธ์และนำเสนอรูปแบบการจําแนก
Bayes ไร้เดียงสา ตารางที่ 5 ได้แสดงผลการดำเนินงานที่เกิดจากการ
ฐานข้อมูลการฝึกอบรมทั้งหมดและประเมินโดยใช้การตรวจสอบนี้
ฐานข้อมูล.
ในความสัมพันธ์กับชุดเทคนิค bootstrapping สำหรับ 30
วาดที่ได้รับการดำเนินการสำหรับแต่ละ 10 การทดสอบที่แตกต่างกัน
ความไวและความจำเพาะค่าแยกแยะถูกคำนวณ
สำหรับฐานข้อมูลการตรวจสอบ วิธีการและค่าเบี่ยงเบนมาตรฐานของความไว
และความจำเพาะค่าสำหรับการทดสอบแต่ละจะนำเสนอในตาราง
6.
ตารางที่ 7 แสดง AUC คำนวณสำหรับแยกแยะจาก 10
การทดสอบดำเนินการภายในเทคนิคชุด bootstrapping.
นอกจากนี้เกี่ยวกับชุดเทคนิค bootstrapping
ตารางที่ 8 แสดงค่า p สำหรับการทดสอบ mann-วิทนีย์จับคู่ซึ่ง
ถูกนำมาใช้โดยมีจุดประสงค์ในการระบุว่ามีความแตกต่างใด ๆ
เฉลี่ยอย่างมีนัยสำคัญระหว่างแยกแยะที่อยู่
ได้รับผ่านทางกลยุทธ์ที่นำเสนอสำหรับการทดสอบที่ได้รับการดำเนินการในแต่ละ
ความแตกต่างที่มีการพิจารณาอย่างมีนัยสำคัญสำหรับ p-ค่า
<0.05.
โดยมีจุดประสงค์ในการระบุว่ามีความแตกต่างอย่างมีนัยสำคัญใด ๆ
เฉลี่ยระหว่างการทดสอบติดต่อกันลักษณนามเดียวกัน
ได้ผ่านกลยุทธ์การเสนอชุด bootstrapping
ค่า p สำหรับการทดสอบ mann-วิทนีย์ที่จับคู่ถูกคำนวณ.
ผลเหล่านี้จะแสดงในตารางที่ 9

ผลลัพธ์ (ไทย) 2:

3. ผล
ประสิทธิภาพของคำนามภาษาที่สามของเว็บเนื้อหาเป็นสมาชิก
ฟิลด์ ด้านสุขอนามัย หรือ นอกฟิลด์นี้ถูกประเมิน
โดยทำการประเมินความไวและ specificity
ผ่านกลยุทธ์ 3 การนำเสนอและ classifier รูป
Naive Bayes ตาราง 5 แสดงประสิทธิภาพนี้สร้างจาก
ฝึกอบรมฐานข้อมูลทั้งหมด และใช้การตรวจสอบค่า
ฐาน
เกี่ยวกับชุดข้อมูล bootstrapping เทคนิค เวลา
วาดที่ดำเนินการสำหรับแต่ละการทดสอบแตกต่างกัน 10
มีคำนวณค่าความไวและ specificity ที่คำนามภาษา
สำหรับฐานข้อมูลตรวจสอบ วิธีการและส่วนเบี่ยงเบนมาตรฐาน
จะแสดงค่าสำหรับแต่ละการทดสอบความไวและ specificity
ในตาราง 6.
ตาราง 7 แสดง AUC ที่คำนวณสำหรับคำนามภาษา 10
ดำเนินการทดสอบภายในชุดข้อมูล bootstrapping เทคนิคการ
, เกี่ยวกับชุดข้อมูล bootstrapping เทคนิค,
8 ตารางแสดงค่า p สำหรับทดสอบ Mann–Whitney จัดเป็นคู่,
ที่ใช้กับเป้าหมายระบุว่ามี
ความแตกต่างเฉลี่ยอย่างมีนัยสำคัญระหว่างคำนามภาษาที่
รับผ่านกลยุทธ์ที่นำเสนอให้ถูก
ทำ ความแตกต่างถือว่าสำคัญสำหรับค่า p
< 0.05.
มีจุดประสงค์เพื่อบ่งชี้ว่ามีการสำคัญ
หมายถึง ความแตกต่างระหว่างการทดสอบติดต่อกันสำหรับ classifier เดียว,
รับผ่านกลยุทธ์ที่นำเสนอสำหรับชุดข้อมูล bootstrapping,
มีคำนวณค่า p ในการทดสอบ Mann–Whitney จัดเป็นคู่
ผลลัพธ์เหล่านี้จะแสดงในตาราง 9

ผลลัพธ์ (ไทย) 3:

3 . ผล
ซึ่งจะช่วยให้การทำงานของสาม classifiers ของเนื้อหาเว็บของ
ซึ่งจะช่วยในการที่ฟิลด์ของการดูแล สุขภาพ หรือทางด้านนอกของฟิลด์นี้เป็นการประเมิน
ซึ่งจะช่วยโดยใช้ความไวและ Mainstream )เพียงเท่านั้น
ซึ่งจะช่วยทำให้การวัดผ่านสามยุทธศาสตร์ที่เสนอและรูปแบบลักษณนาม
ไร้เดียงสา bayes . ตารางที่ 5 นำเสนอ ประสิทธิภาพ การทำงานนี้สร้างขึ้นจาก
ซึ่งจะช่วยให้ฐานข้อมูลการฝึกอบรมทั้งหมดและประเมินการใช้การตรวจสอบ
ฐานข้อมูล.
ในความสัมพันธ์กับเทคนิค bootstrapping dataset สำหรับ 30
จับรางวัลที่ได้ทำการทดสอบสำหรับ 10 ที่แตกต่างกันแต่ละค่า
และความไวแสงลักษณะเฉพาะเจาะจงของ classifiers ที่คำนวณ
สำหรับฐานข้อมูลการตรวจสอบ หมายความว่าได้มาตรฐานและตัวแปร
ของความไวและค่าลักษณะเฉพาะเจาะจงสำหรับการทดสอบแต่ละชุดจะถูกนำเสนอ
ในตาราง 6 .
ตารางที่ 7 แสดง auc ที่คำนวณได้สำหรับ classifiers จาก 10
การทดสอบที่ดำเนินการ ภายใน เทคนิค bootstrapping dataset ที่.
นอกจากนี้ในเรื่องเทคนิค bootstrapping dataset ที่
ตารางที่ 8 แสดงการทดสอบ P - ค่าสำหรับ, Mann ' s Chinese Theatre ,ที่จับคู่ - Whitney ที่
ซึ่งได้เคยถูกใช้โดยมีเป้าหมายเพื่อการระบุว่ามีคน
หมายถึงความแตกต่างอย่างมีนัยสำคัญใดๆระหว่าง classifiers ที่อยู่
ได้รับผ่านทางยุทธศาสตร์ที่เสนอสำหรับการทดสอบแต่ละครั้งที่เป็น
ซึ่งจะช่วยดำเนินการ ความแตกต่างเป็นอย่างมากสำหรับการพิจารณาให้เป็น P - ค่า
< 0.05 .
พร้อมด้วยที่ตั้งเป้าหมายของการระบุว่ามีคนใดบ้างอย่างมีนัยสำคัญ
หมายความว่าความแตกต่างระหว่างกันอย่างต่อเนื่องการทดสอบที่เหมือนกับข้าว,
ได้รับผ่านทางยุทธศาสตร์ที่เสนอสำหรับ dataset bootstrapping ,
การทดสอบ P - ค่าสำหรับ, Mann ' s Chinese Theatre ,ที่จับคู่ - Whitney ที่คำนวณ.
ผลการทดสอบนี้จะแสดงอยู่ในตาราง 9