From Figure 5, we see the lowest av

From Figure 5, we see the lowest average relevance scores in all the cases where the Low Quality
Parameters (see section 4.3) were used to construct the feature vectors. Further, we observed that the
highest scores were achieved for all the cases where the Medium Quality Parameters were used. Figure 6
depicts the relevance scores for the entities used with the MQP and the HQP parameters relative to the entities where the LQP were used in percentage. We observed the same pattern; in cases where the FVs
were created using the MQP the score was highest.

ผลลัพธ์ (ไทย) 1:

จากรูปที่ 5 เราดูคะแนนต่ำสุดเฉลี่ยความเกี่ยวข้องในทุกกรณีที่คุณภาพต่ำ
พารามิเตอร์ (ดูหัวข้อ 4.3) ใช้ในการสร้างเวกเตอร์คุณลักษณะ ต่อไป เราสังเกตที่การ
สำเร็จคะแนนสูงสุดในทุกกรณีที่มีใช้พารามิเตอร์คุณภาพปานกลาง รูปที่ 6
แสดงให้เห็นคะแนนเกี่ยวข้องสำหรับเอนทิตีที่ใช้ MQP การและพารามิเตอร์การ HQP สัมพันธ์กับเอนทิตีที่ใช้ใน LQP เปอร์เซ็นต์ เราสังเกตรูปแบบเดียวกัน ในกรณีที่การ FVs
สร้างขึ้นโดยใช้ MQP คะแนนได้สูงสุด

ผลลัพธ์ (ไทย) 2:

จากรูปที่ 5 เราจะเห็นต่ำสุดเฉลี่ยคะแนนความเกี่ยวข้องในทุกกรณีที่มีคุณภาพต่ำ
พารามิเตอร์ (ดูหัวข้อ 4.3) ถูกนำมาใช้ในการสร้างเวกเตอร์คุณลักษณะ นอกจากนี้เราพบว่า
คะแนนสูงสุดก็ประสบความสำเร็จกับทุกกรณีที่พารามิเตอร์ขนาดกลางที่มีคุณภาพถูกนำมาใช้ รูปที่ 6
แสดงคะแนนความเกี่ยวข้องสำหรับองค์กรที่ใช้กับ MQP และพารามิเตอร์ HQP เมื่อเทียบกับหน่วยงานที่ถูกนำมาใช้ LQP ในอัตราร้อยละ เราสังเกตเห็นรูปแบบเดียวกันในกรณีที่ FVS
ถูกสร้างขึ้นโดยใช้ MQP คะแนนสูงสุด

ผลลัพธ์ (ไทย) 3:

จากรูปที่ 5 เราดูคะแนนต่ำสุดเฉลี่ยความเกี่ยวข้องในคดีทั้งหมดที่พารามิเตอร์คุณภาพ
ต่ำ ( ดูมาตรา 4.3 ) ถูกใช้ในการสร้างคุณลักษณะเวกเตอร์ นอกจากนี้เราพบว่าคะแนนความสําหรับ
สูงสุดทุกกรณี ซึ่งคุณภาพปานกลาง ค่าใช้ รูปที่ 6
แสดงให้เห็นความเกี่ยวข้องคะแนนสำหรับองค์กรที่ใช้กับ mqp และ hqp พารามิเตอร์เมื่อเทียบกับหน่วยงานที่ lqp กลุ่มตัวอย่างที่ใช้ในการหา เราพบรูปแบบเดียวกัน ในคดีที่ fvs
ถูกสร้างขึ้นโดยใช้ mqp คะแนนได้สูงสุด