Classifiers have been quite success

Classifiers have been quite successful in a variety of domains ranging from the identification of fraud and credit risks in financial transactions to medical diagnosis to intrusion detection. Basu et al. (1998) built a hybrid recommender system that mixes collaborative and content filtering using an induction-learning classifier. Good et al. (1999) implemented induction-learned featurevector classification of movies and compared the classification with nearest-neighbor recommendation; this study found that the classifiers did not perform as well as nearest neighbor, but that combining the two added value over nearest-neighbor alone.

ผลลัพธ์ (ไทย) 1:

คำนามภาษาได้ประสบความสำเร็จค่อนข้างหลากหลายตั้งแต่การระบุความเสี่ยงทุจริตและเครดิตในธุรกรรมการเงินการวินิจฉัยแพทย์จะตรวจหาการบุกรุกของโดเมน Al. ร้อยเอ็ด Basu (1998) สร้างระบบผู้แนะนำไฮบริดที่ผสมร่วมกัน และเนื้อหากรองใช้ classifier ตัวเหนี่ยวนำเรียนรู้ ดีและ al. (1999) featurevector เหนี่ยวนำได้เรียนรู้การจัดประเภทของภาพยนตร์ที่นำมาใช้ และเปรียบเทียบการจัดประเภท ด้วยการแนะนำเพื่อนบ้านที่ใกล้ที่สุด การศึกษานี้พบว่า คำนามภาษาที่ไม่ได้ทำและเพื่อนบ้านที่ใกล้ที่สุด แต่รวมมูลค่าเพิ่มสองผ่านใกล้ใกล้เคียงเพียงอย่างเดียว

ผลลัพธ์ (ไทย) 2:

ลักษณนามได้รับค่อนข้างประสบความสำเร็จในความหลากหลายของโดเมนตั้งแต่บัตรประจำตัวของการทุจริตและความเสี่ยงด้านเครดิตในการทำธุรกรรมทางการเงินเพื่อการวินิจฉัยทางการแพทย์เพื่อตรวจจับการบุกรุก ซึและคณะ (1998) สร้างระบบ recommender ไฮบริดที่ผสมการกรองการทำงานร่วมกันและเนื้อหาโดยใช้ลักษณนามเหนี่ยวนำการเรียนรู้ ที่ดีและคณะ (1999) ดำเนินการเหนี่ยวนำได้เรียนรู้การจัดหมวดหมู่ featurevector ของภาพยนตร์และเมื่อเทียบกับการจัดหมวดหมู่ด้วยคำแนะนำของเพื่อนบ้านใกล้ที่สุด; การศึกษาครั้งนี้พบว่าแยกแยะไม่ได้ดำเนินการเป็นเพื่อนบ้านที่ใกล้ที่สุด แต่ที่รวมสองมูลค่าเพิ่มมากกว่าเพื่อนบ้านใกล้ที่สุดเพียงอย่างเดียว

ผลลัพธ์ (ไทย) 3:

คำลักษณนามที่ได้รับความสำเร็จมากในความหลากหลายของโดเมนตั้งแต่การฉ้อโกง และความเสี่ยงด้านเครดิตในการทำธุรกรรมทางการเงิน เพื่อการวินิจฉัยทางการแพทย์ เพื่อตรวจจับการบุกรุก บาซู et al . ( 1998 ) สร้างลูกผสมที่ผสมร่วมกันแนะนำระบบและเนื้อหาการกรองโดยใช้ Induction เรียนรู้ลักษณนาม ดี et al .( 1999 ) ใช้อุปนัยเรียนรู้ featurevector หมวดหมู่ของภาพยนตร์และเปรียบเทียบการจำแนกกับเพื่อนบ้านที่ใกล้ที่สุดแนะนำ การศึกษานี้พบว่าคำลักษณนามไม่ปฏิบัติงาน รวมทั้งเพื่อนบ้านที่ใกล้ที่สุด แต่การรวมสองเพิ่มมูลค่ากว่าเพื่อนบ้านที่ใกล้ที่สุดเพียงอย่างเดียว