In this paper, we utilize a simple

In this paper, we utilize a simple support vector machine to identify commercial electronic mail. The use of a personalized dictionary for model training provided a classification accuracy of 96.69%, while a much larger system dictionary achieved 95.26%. The classification system was subsequently implemented as an add-in for Microsoft Outlook XP, providing sorting and grouping capabilities using Outlook’s interface to the typical desktop e-mail user

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราใช้เครื่องสนับสนุนเรื่องเวกเตอร์เพื่อระบุค้าจดหมายอิเล็กทรอนิกส์ การใช้พจนานุกรมส่วนตัวสำหรับรุ่นฝึกอบรมให้จัดประเภทความแม่นยำ 96.69% ขณะมากใหญ่ระบบพจนานุกรมได้ 95.26% ต่อมาถูกใช้เป็นเพิ่มระบบจัดประเภทสำหรับ Microsoft Outlook XP การเรียงลำดับ และจัดกลุ่มความสามารถในการใช้อินเทอร์เฟซของ Outlook สำหรับผู้ใช้อีเมลเดสก์ท็อปทั่วไป

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราใช้การสนับสนุนเครื่องเวกเตอร์ที่เรียบง่ายในการระบุจดหมายอิเล็กทรอนิกส์เชิงพาณิชย์ การใช้พจนานุกรมส่วนบุคคลสำหรับการฝึกอบรมรุ่นที่ให้ความแม่นยำในการจัดหมวดหมู่ของ 96.69% ในขณะที่พจนานุกรมระบบขนาดใหญ่ที่ประสบความสำเร็จ 95.26% ระบบการจัดหมวดหมู่ได้ดำเนินการต่อมาเป็น add-in สำหรับ Microsoft Outlook XP ให้เรียงลำดับการจัดกลุ่มและความสามารถในการใช้อินเตอร์เฟซของ Outlook ไปยังเดสก์ทอปทั่วไปผู้ใช้อีเมล

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราใช้ง่ายสนับสนุนเวกเตอร์เครื่องจักรระบุจดหมายอิเล็กทรอนิกส์ในเชิงพาณิชย์ การใช้พจนานุกรมส่วนตัวสำหรับการฝึกอบรมให้ความแม่นยำในการจำแนกของ 96.69 % ในขณะที่ระบบมากขนาดใหญ่พจนานุกรมความ 95.26 % ระบบการจัดหมวดหมู่และใช้เป็นเพิ่มในสำหรับ Microsoft Outlook XP ,การเรียงลำดับและการจัดกลุ่มให้สามารถใช้ Outlook เป็นอินเตอร์เฟซกับผู้ใช้เดสก์ทอปอีเมลทั่วไป