Then we applied the same training a

Then we applied the same training and testing data sets as above to an advanced SVM variation named Max-Margin Multi-Label classifier. M3L is a state-of-the-art multi-label classifier [59]. Different from the one-versus-all heuristic, which assumes label independence, this classifier takes label correlation into consideration. We used the executable file of this algorithm provided by the authors [60]. The performance is better than the simplistic one-versus-all SVM classifier, but still not as good as the Naive Bayes classifier. Table 4 and Fig. 3 show the evaluation measures using M3L. Because SVM is not a probabilistic model, so Table 4 does not have probability threshold values as Table 2 does.

ผลลัพธ์ (ไทย) 1:

แล้ว เราใช้ฝึกเดียวกันและทดสอบชุดข้อมูลตามข้างต้นเพื่อเปลี่ยนแปลง SVM มีขั้นสูงชื่อ classifier ป้ายหลายกำไรสูงสุด M3L เป็น classifier หลายป้ายเป็นรัฐ-of-the-art [59] แตกต่างจาก heuristic หนึ่งเทียบกับทั้งหมด ซึ่งถือป้ายชื่อเอกราช classifier นี้ใช้ความสัมพันธ์ของป้ายชื่อในการพิจารณา เราใช้แฟ้มปฏิบัติการของอัลกอริทึมนี้โดยผู้เขียน [60] ประสิทธิภาพจะดีกว่าที่พี่หนึ่งกับทั้งหมด SVM classifier แต่ยังไม่ดีเท่า classifier Naive Bayes ตาราง 4 และ Fig. 3 แสดงมาตรการประเมินใช้ M3L เนื่องจาก SVM ไม่แบบ probabilistic ดังตาราง 4 ได้ค่าขีดจำกัดความน่าเป็นกับตารางที่ 2

ผลลัพธ์ (ไทย) 2:

จากนั้นเราก็นำมาใช้ในการฝึกอบรมเดียวกันและชุดข้อมูลการทดสอบดังกล่าวไปยังรูปแบบที่ทันสมัย​​ SVM ชื่อแม็กซ์มาร์จิ้นลักษณนามหลายป้าย M3L เป็นรัฐของศิลปะลักษณนามหลายป้าย [59] แตกต่างจากเมื่อเทียบกับการแก้ปัญหาทั้งหมดซึ่งถือว่าเป็นอิสระฉลากลักษณนามความสัมพันธ์นี้จะใช้เวลาในการพิจารณาฉลาก เราใช้แฟ้มที่ปฏิบัติการของอัลกอริทึมนี้ให้บริการโดยผู้เขียน [60] ผลการดำเนินงานดีกว่าง่ายหนึ่งเมื่อเทียบกับทุกลักษณนาม SVM แต่ก็ยังไม่ดีเท่า Naive Bayes ลักษณนาม ตารางที่ 4 และรูป 3 แสดงให้มาตรการการประเมินผลโดยใช้ M3L เพราะ SVM ไม่ได้เป็นรูปแบบความน่าจะเป็นดังนั้นตารางที่ 4 ไม่ได้มีค่าความน่าจะเป็นเกณฑ์ตารางที่ 2 ไม่