Classification and ResultsThe diffe

Classification and Results
The different features are combined and evaluated using
three classifiers. For classification, the machine learning library
Weka (Witten and Frank 2005) is used. We compare a
Na¨ıve Bayes Binary Model (NBB), the Ripper rule learner
(JRip), and a classifier based on a Support Vector Machine
(SVM). Our classification results are calculated using stratified
10-fold cross validation on the training set. To measure
the performance of the classification approaches, we report
the accuracy (Acc), the averaged precision (Prec), the averaged
recall (Rec), and the F-Measure (F).
In Table 1 the classification results are shown.With 82.2%
precision and 82% recall on a 4-class problem, we outperform
current state-of-the-art approaches for small scale incident
detection. Thus, our study demonstrates that it is possible
to detect potentially valuable information in the stream
of microblogs with high precision and recall, even though
the absolute amount of information related to incidents is
low.

ผลลัพธ์ (ไทย) 1:

จัดประเภทและผลลัพธ์คุณลักษณะต่าง ๆ จะรวมกัน และถูกประเมินโดยใช้คำนามภาษา 3 การจัด รีเรียนเครื่องใช้ weka (Witten และ 2005 แฟรงค์) เราเปรียบเทียบการNa¨ıve Bayes ไบนารีรุ่น (NBB), เรียนกฎ Ripper(JRip), และ classifier ที่ยึดเครื่องเวกเตอร์สนับสนุน(SVM) มีคำนวณผลลัพธ์ของเราจัดประเภทใช้ stratified10-fold ข้ามตรวจสอบชุดฝึกอบรม ในการวัดประสิทธิภาพของการจัดประเภทยื่น เรารายงานความถูกต้อง (บัญชี), ความแม่นยำเฉลี่ย (Prec), การเฉลี่ยเรียกคืน (Rec), และวัด F (F)ในตารางที่ 1 จะแสดงผลการจัดประเภท 82.2%ความแม่นยำและเรียกคืน 82% ในปัญหาชั้น 4 เรา outperformปัจจุบันวิธีรัฐ-of-the-art สำหรับปัญหาขนาดเล็กตรวจสอบ ดังนั้น เราแสดงให้เห็นว่า เป็นไปได้การตรวจสอบข้อมูลที่อาจมีในกระแสของ microblogs ด้วยความแม่นยำสูงและการเรียกคืน แม้ว่าจำนวนแน่นอนของข้อมูลที่เกี่ยวข้องกับเหตุการณ์ต่ำสุด

ผลลัพธ์ (ไทย) 2:

ผลการจำแนกและ
คุณสมบัติแตกต่างกันจะรวมกันและประเมินผลการใช้
ลักษณนามสาม สำหรับการจัดหมวดหมู่เครื่องห้องสมุดการเรียนรู้
Weka (Witten และแฟรงก์ 2005) ถูกนำมาใช้ เราเปรียบเทียบ
Naive Bayes ไบนารีรุ่น (NBB) เรียนกฎ Ripper
(JRip) และจําแนกอยู่บนพื้นฐานของการสนับสนุนเครื่องเวกเตอร์
(SVM) ผลการจัดหมวดหมู่ของเรามีการคำนวณโดยใช้แซด
10 เท่าการตรวจสอบข้ามกับชุดการฝึกอบรม การวัด
ประสิทธิภาพของวิธีการจัดหมวดหมู่ที่เรารายงาน
ความถูกต้อง (ก) ความแม่นยำเฉลี่ย (Prec) เฉลี่ย
การเรียกคืน (Rec) และ F-Measure (F).
ในตารางที่ 1 ผลการจัดหมวดหมู่เป็น shown.With 82.2%
ความแม่นยำและการเรียกคืน 82% ในปัญหา 4 ชั้นเราดีกว่า
ในปัจจุบันวิธีการที่รัฐของศิลปะสำหรับเหตุการณ์ที่เกิดขึ้นขนาดเล็ก
การตรวจสอบ ดังนั้นการศึกษาของเราแสดงให้เห็นว่ามันเป็นไปได้
ในการตรวจสอบข้อมูลที่มีค่าที่อาจเกิดขึ้นในกระแส
ของไมโครบล็อกที่มีความแม่นยำสูงและการเรียกคืนแม้ว่า
จำนวนเงินที่แน่นอนของข้อมูลที่เกี่ยวข้องกับเหตุการณ์ที่เกิดขึ้นเป็น
ที่ต่ำ

ผลลัพธ์ (ไทย) 3:

ผลการจำแนกและ
คุณลักษณะต่าง ๆรวม และประเมินการใช้
3 คือ สำหรับการ , การเรียนรู้เครื่อง Weka ห้องสมุด
( Witten และแฟรงค์ 2005 ) ใช้ เราเปรียบเทียบ
na ¨ıได้ Bayes รูปแบบไบนารี ( nbb ) , Ripper ครอบครองผู้เรียน
( jrip ) และตัวยึดสนับสนุนเวกเตอร์เครื่องจักร
( SVM ) ผลการจำแนกของเราจะคำนวณโดยใช้ชั้น
10 โฟลดในการฝึกอบรมชุด เพื่อวัดประสิทธิภาพของการจัดหมวดหมู่วิธี

เรารายงานความถูกต้อง ( ACC ) เฉลี่ยที่แม่นยำ ( ทศนิยม ) , ค่าเฉลี่ย
( REC ) และค่า F ( F )
ตารางที่ 1 การจัดหมวดหมู่ผล กับ 82.2% %
ความแม่นยำและ 82% ในปัญหา 4-class เรียกคืน เราดีกว่า
.
ขนาดเล็กของเหตุการณ์ในปัจจุบันการตรวจหา ดังนั้น การศึกษาของเราแสดงให้เห็นว่ามันเป็นไปได้ที่จะตรวจสอบข้อมูลที่มีคุณค่าที่อาจเกิดขึ้น

ในกระแสของ Microblogs กับความเที่ยงตรงสูงและเรียกคืนแม้ว่า
ยอดเงินของข้อมูลที่เกี่ยวข้องกับเหตุการณ์คือ
น้อย