In Section 2.3, we reviewed the mai

In Section 2.3, we reviewed the main classification methods: namely, nearest-
neighbors, decision trees, rule-based classifiers, Bayesian networks, artificial neural
networks, and support vector machines. We saw that, although kNN ( see Section
2.3.1) CF is the preferred approach, all those classifiers can be applied in different
settings. Decision trees ( see Section 2.3.2) can be used to derive a model based
on the content of the items or to model a particular part of the system. Decision
rules ( see Section 2.3.3) can be derived from a pre-existing decision trees, or can
also be used to introduce business or domain knowledge. Bayesian networks ( see
Section 2.3.4) are a popular approach to content-based recommendation, but can
also be used to derive a model-based CF system. In a similar way, Artificial Neu-
ral Networks can be used to derive a model-based recommender but also to com-
bine/hybridize several algorithms. Finally, support vector machines ( see Section
2.3.6) are gaining popularity also as a way to infer content-based classifications or
derive a CF model.

ผลลัพธ์ (ไทย) 1:

ในส่วน 2.3 เราตรวจสอบวิธีการ classification หลัก: ได้แก่ ปัด -บ้าน ต้นไม้การตัดสินใจ ตามกฎ classifiers เครือข่ายทฤษฎี ประสาท artificialเครือข่าย และสนับสนุนเครื่องแบบเวกเตอร์ เราเห็นที่ แม้ว่า kNN (ดูหัวข้อ2.3.1) CF เป็นวิธีที่ต้องการ classifiers ที่สามารถใช้ในที่ต่าง ๆการตั้งค่า ต้นไม้ตัดสินใจ (ดูหัวข้อ 2.3.2) สามารถใช้แบบจำลองการสืบทอดมาเนื้อหา ของสินค้า หรือรูปแบบส่วนหนึ่งส่วนใดของระบบ การตัดสินใจกฎ (ดูหัวข้อ 2.3.3) สามารถมาจากต้นไม้การตัดสินใจที่มีอยู่ก่อน หรือสามารถยัง สามารถใช้เพื่อแนะนำธุรกิจหรือเพิ่มโดเมน ทฤษฎีเครือข่าย (ดูส่วน 2.3.4 พัฒนา，) เป็นวิธีการยอดนิยมเนื้อหาตามคำแนะนำ แต่สามารถยัง สามารถใช้เพื่อมา CF ระบบตามแบบจำลอง ใน Neu Artificial-สามารถใช้เครือข่าย ral สามารถรับผู้แนะนำเป็นรุ่นตามแต่ให้ com-bine/คือ อัลกอริทึมหลาย สนับสนุนเครื่องแบบเวกเตอร์ (ดูส่วนสุดท้าย2.3.6) จะได้รับความนิยมนอกจากนี้ยังเป็นวิธีการอนุมานตามเนื้อหา classifications หรือมาแบบ CF

ผลลัพธ์ (ไทย) 2:

ในมาตรา 2.3 เราดูวิธีไอออนจัดประเภทหลักคือ nearest-
เพื่อนบ้านต้นไม้ตัดสินใจตามกฎ ERS จัดประเภทเครือข่ายคชกรรม Arti สายประสาททางการ
เครือข่ายและการสนับสนุนเครื่องเวกเตอร์ เราเห็นว่าแม้ว่า kNN (ดูมาตรา
2.3.1) CF เป็นวิธีการที่ต้องการทุกคน ERS จัดประเภทสามารถนำไปใช้ที่แตกต่างกันใน
การตั้งค่า ต้นไม้การตัดสินใจ (ดูมาตรา 2.3.2) สามารถนำมาใช้เพื่อให้ได้รูปแบบตาม
เนื้อหาของรายการหรือการจำลองส่วนหนึ่งของระบบ ตัดสินใจ
กฎ (ดูมาตรา 2.3.3) จะได้รับจากการตัดสินใจของต้นไม้ที่มีอยู่ก่อนหรือสามารถ
ยังสามารถใช้ในการแนะนำธุรกิจหรือความรู้ เครือข่ายแบบเบย์ (ดู
มาตรา 2.3.4) เป็นวิธีที่นิยมในการเสนอแนะเนื้อหาตาม แต่
ยังถูกนำมาใช้เพื่อให้ได้แบบที่ใช้ระบบ CF ในลักษณะที่คล้ายกัน Arti ไฟทางการ Neu-
RAL เครือข่ายสามารถนำมาใช้เพื่อให้ได้ recommender แบบที่ใช้ แต่ยังสั่ง
bine / ขั้นตอนวิธีการผสมพันธุ์หลาย ในที่สุดการสนับสนุนเครื่องเวกเตอร์ (ดูมาตรา
2.3.6) จะได้รับความนิยมยังเป็นวิธีที่จะสรุปไพเพอร์จัดประเภทเนื้อหาหรือ
ได้มาซึ่งรูปแบบ CF

ผลลัพธ์ (ไทย) 3:

ในส่วน 2.3 เราพิจารณาหลัก classi จึงบวกวิธีการ : คือที่ใกล้ที่สุด -
เพื่อนบ้าน การตัดสินใจของต้นไม้ , กฎ classi จึง ERS , เครือข่ายเบย์ จึงจำเป็นต้อง่ประสาท
เครือข่ายและเครื่องเวกเตอร์สนับสนุน เราเห็นว่า แม้ว่า knn ( ดูมาตรา
2.3.1 ) โฆษณาเป็นวิธีการที่ต้องการให้ทุกคน classi ERS จึงสามารถใช้ในการตั้งค่าที่แตกต่างกัน

ต้นไม้การตัดสินใจ ( ดูมาตรา 2.32 ) สามารถใช้เพื่อให้ได้
ตามรูปแบบในเนื้อหาของรายการ หรือ รูปแบบเฉพาะบางส่วนของระบบ กฎการตัดสินใจ
( ดูส่วน 2.3.3 ) ได้มาจากการตัดสินใจต้นไม้ที่มีอยู่แล้ว หรือสามารถ
ยังสามารถใช้เพื่อแนะนำธุรกิจหรือความรู้โดเมน เครือข่ายแบบเบย์ ( ดู
ส่วน 2.3.4 ) เป็นวิธีการที่ได้รับความนิยมในเนื้อหา แต่สามารถ
แนะนำยังสามารถใช้เพื่อสร้างโฆษณาสำหรับระบบ ในลักษณะคล้ายกัน จึงจำเป็นต้อง่ Neu -
RAL เครือข่ายสามารถใช้สร้างสำหรับการแนะนำ แต่ยังดอทคอม -
ดี / ผสมหลายขั้นตอนวิธี ในที่สุด สนับสนุนเครื่องเวกเตอร์ ( ดูมาตรา
2.3.6 ) จะดึงดูดความนิยมยังเป็นวิธีการสรุปเนื้อหา classi จึงไอออนบวกหรือสืบทอดนางแบบโฆษณา

.