Not all of the attributes (i.e., te

Not all of the attributes (i.e., terms) are important when classifying documents.
The reason is that many words are irrelevant for determining an article’s topic. Weka’s
AttributeSelectedClassifier, using ranking with InfoGainAttributeEval and the Ranker
search, can eliminate less useful attributes. As before, FilteredClassifier should be
used to transform the data before passing it to AttributeSelectedClassifier.
Exercise 17.5.11. Experiment with this, using default options for
StringToWordVector and NaiveBayesMultinomial as the classifier. Vary
the number of the most informative attributes that are selected from the
information gain–based ranking by changing the value of the numToSelect
field in the Ranker. Record the AUC values you obtain. How many attributes
give the best AUC for the two datasets discussed before? What are the best
AUC values you managed to obtain?
17.6 MINING ASSOCIATION RULES

ผลลัพธ์ (ไทย) 1:

ไม่ใช่ทั้งหมดของแอตทริบิวต์ (เช่น เงื่อนไข) มีความสำคัญเมื่อจัดประเภทเอกสาร
เหตุผลคือคำหลายความเกี่ยวข้องในการกำหนดหัวข้อของบทความ ของ weka
AttributeSelectedClassifier จัดอันดับด้วย InfoGainAttributeEval และที่ Ranker
ค้น สามารถกำจัดคุณลักษณะประโยชน์น้อย ก่อน ควรจะ FilteredClassifier
ใช้ในการแปลงข้อมูลก่อนที่จะผ่านมันไป AttributeSelectedClassifier
17.5.11 ออกกำลังกาย ทดลองนี้ โดยใช้ตัวเลือกเริ่มต้นสำหรับ
StringToWordVector และ NaiveBayesMultinomial เป็น classifier ที่ แตกต่างกัน
หมายเลขของแอตทริบิวต์ข้อมูลส่วนใหญ่ที่เลือกจาก
ข้อมูลกำไร – ตามการจัดอันดับ โดยการเปลี่ยนค่าของการ numToSelect
ใน Ranker จะ บันทึกค่า AUC ที่คุณได้รับ คุณลักษณะจำนวน
ให้ AUC สุดสำหรับ datasets สองกล่าวถึงก่อน สิ่งที่ดีสุด
คุณจัดการเพื่อให้ได้ค่า AUC ?
17.6 สมาคมทำเหมืองแร่

ผลลัพธ์ (ไทย) 2:

ไม่ได้ทั้งหมดของคุณลักษณะ (เช่นเงื่อนไข) มีความสำคัญเมื่อการจัดเอกสาร
เหตุผลก็คือว่าหลายคำที่ไม่เกี่ยวข้องในการกำหนดหัวข้อของบทความ Weka ของ
AttributeSelectedClassifier โดยใช้การจัดอันดับด้วย InfoGainAttributeEval และ Ranker
ค้นหาสามารถกำจัดคุณลักษณะที่มีประโยชน์น้อย เมื่อก่อน FilteredClassifier ควรจะ
ใช้ในการแปลงข้อมูลก่อนที่จะผ่านไปยัง AttributeSelectedClassifier
การออกกำลังกาย 17.5.11 ทดลองนี้ใช้ตัวเลือกการเริ่มต้นสำหรับ
StringToWordVector และ NaiveBayesMultinomial เป็นลักษณนาม แตกต่างกัน
จำนวนของคุณลักษณะให้ข้อมูลมากที่สุดที่ถูกเลือกจาก
การจัดอันดับที่ได้รับตามข้อมูลโดยการเปลี่ยนค่าของ numToSelect
เขตข้อมูลใน Ranker บันทึกค่า AUC ที่คุณได้รับ วิธีหลายลักษณะ
ให้ AUC ที่ดีที่สุดสำหรับทั้งสองชุดข้อมูลที่กล่าวถึงมาก่อนหรือไม่ สิ่งที่ดีที่สุดคือ
ค่า AUC คุณมีการจัดการที่จะได้รับ?
กฎ 17.6 เหมืองแร่สมาคม

ผลลัพธ์ (ไทย) 3:

ไม่ทั้งหมดของแอตทริบิวต์ ( เช่น เงื่อนไข ) เป็นสิ่งสำคัญเมื่อจำแนกประเภทเอกสาร
เหตุผลคือ คำหลายคำที่ไม่เกี่ยวข้องในการกำหนดหัวข้อของบทความ เวก้าเป็น
attributeselectedclassifier โดยใช้การจัดอันดับกับ infogainattributeeval และอันดับ
ค้นหา สามารถขจัดคุณลักษณะมีประโยชน์น้อย ก่อนที่ filteredclassifier ควรจะ
ใช้ในการแปลงข้อมูลก่อนผ่านให้ attributeselectedclassifier .
ออกกำลังกาย 17.5.11 . การทดลองนี้ ใช้ตัวเลือกเริ่มต้นและ
stringtowordvector naivebayesmultinomial เป็นลักษณนาม แตกต่างกัน
จำนวนของข้อมูลมากที่สุด ลักษณะที่ถูกเลือกจาก
ได้รับข้อมูลเป็ นฐานการจัดอันดับโดยการเปลี่ยนค่าของ numtoselect
สนามในอันดับ .บันทึกค่าค่าที่คุณได้รับ วิธีการหลายแอตทริบิวต์
ให้ยาที่ดีที่สุดสำหรับสองชุดข้อมูลที่กล่าวถึงก่อนหน้านี้ อะไรคือยาที่ดีที่สุด
ค่าคุณจะได้รับ ?
กฎ รวมทั้งสมาคมเหมืองแร่