In this section, the Naive Bayes mu

In this section, the Naive Bayes multi-label classifier is used to detect engineering student problems from the Purdue
data set. There were 35,598 unique tweets in the Purdue tweet collection. We took a random sample of 1,000 tweets, and found no more than 5 percent of these tweets were discussing engineering problems. Our purpose here was to detect the small number of tweets that reflect engineering
students’ problems. The differences between #engineering-Problems data set and Purdue data set is that the latter contains
much smaller number of positive samples to be detected, and its “others” category has more diverse content. Therefore, to make the training set better adapt to the
Purdue data set, we took a random sample of 5,000 tweets from the Purdue data set, added them into the 2,785 #engineeringProblems tweets, and labeled them as “others”. Less than 5 percent positive samples in this category do not influence the effectiveness of the trained model. We thus used the 7,785 tweets as input to train the multi-label Na€ıve Bayes
classifier. Since no extra human effort is needed, and Na€ıve Bayes classifier is very efficient in terms of computation time, the model training here incurred almost no extra cost. Table 5 shows the top most probable words in each category ranked using the conditional probability p(w|c) as in (2).
Our purpose here is to detect the small number of the five problems from the large Purdue data set, so we do not discuss
the “others” in this section.

ผลลัพธ์ (ไทย) 1:

ในส่วนนี้ ใช้ classifier หลายป้าย Naive Bayes เพื่อตรวจหาปัญหานักศึกษาวิศวกรรมศาสตร์จากเพอร์ดูชุดข้อมูล ยังมีเข้ามาเฉพาะ 35,598 ในคอลเลกชัน tweet เพอร์ดู เราเอาตัวอย่างแบบสุ่มเข้ามา 1000 และพบไม่เกินร้อยละ 5 ของเหล่านี้เข้ามาได้คุยปัญหาวิศวกรรม วัตถุประสงค์ของเราที่นี่คือการ ตรวจหาจำนวนเข้ามาที่สะท้อนถึงวิศวกรรมขนาดเล็กปัญหานักเรียน ความแตกต่างระหว่างชุดข้อมูล #engineering ปัญหาเพอร์ดูชุดข้อมูลถูกที่หลังประกอบด้วยหมายเลขที่มีขนาดเล็กมากตัวอย่างบวกต้องตรวจสอบ และเป็น "อื่นๆ" ประเภทมีเนื้อหาหลากหลายมากขึ้น ดังนั้น เพื่อให้การฝึกอบรม ชุดดีปรับให้เข้ากับการชุดเพอร์ดูข้อมูล เราเอาตัวอย่างแบบสุ่มเข้ามา 5000 จากเพอร์ดูข้อมูลตั้ง พวกเขาเข้าเข้ามา #engineeringProblems 2,785 และติดป้ายว่าเป็น "ผู้อื่น" ตัวอย่างบวกเปอร์เซ็นต์น้อยกว่า 5 ในหมวดหมู่นี้มีอิทธิพลต่อประสิทธิผลของแบบฝึก เราจึงใช้ฟีด 7,785 เป็นข้อมูลการฝึก ıve €นาหลายป้าย Bayesclassifier เนื่องจากแรงงานคนพิเศษไม่จำเป็นต้องใช้ และนา €ıve Bayes classifier มีประสิทธิภาพมากในการคำนวณเวลา ฝึกอบรมรุ่นที่เกิดขึ้นที่นี่เกือบไม่เพิ่มต้นทุน ตาราง 5 แสดงคำมากที่สุดน่าเป็นสูงสุดในแต่ละประเภทที่จัดอันดับโดยใช้ p(w|c) น่าเป็นแบบมีเงื่อนไขใน (2)จะตรวจสอบหมายเลขขนาดเล็กของปัญหาห้าจากชุดข้อมูลขนาดใหญ่ของเพอร์ดู ดังนั้นเราได้กล่าวถึงวัตถุประสงค์ของเราที่นี่"ผู้อื่น" ในส่วนนี้

ผลลัพธ์ (ไทย) 2:

ในส่วนนี้ที่ไร้เดียงสา Bayes
ลักษณนามหลายป้ายที่ใช้ในการตรวจสอบปัญหานักศึกษาวิศวกรรมจากเพอร์ดูข้อมูลชุด มี 35,598 ทวีตที่ไม่ซ้ำกันในการเก็บทวีตเพอร์ดู เราเอาตัวอย่างที่สุ่มจาก 1,000 ทวีตและพบว่าไม่เกินร้อยละ 5 ของทวีตเหล่านี้กำลังคุยกันเรื่องปัญหาทางวิศวกรรม จุดประสงค์ของเราที่นี่คือการตรวจสอบจำนวนเล็ก ๆ
ของทวีตที่สะท้อนวิศวกรรมปัญหาของนักเรียน ความแตกต่างระหว่างข้อมูล #
วิศวกรรมปัญหาการตั้งค่าและข้อมูลชุดเพอร์เป็นที่หลังมีจำนวนมากขนาดเล็กของกลุ่มตัวอย่างในเชิงบวกที่จะตรวจพบและ"คนอื่น" ที่หมวดหมู่มีเนื้อหาที่หลากหลายมากขึ้น ดังนั้นเพื่อให้การฝึกอบรมชุดที่ดีกว่าปรับให้เข้ากับข้อมูลชุดเพอร์ดูเราเอาตัวอย่างที่สุ่มจาก 5,000 ทวีตจากชุดข้อมูลที่เพอร์เพิ่มลงในทวิตเตอร์ 2785 #engineeringProblems และติดป้ายพวกเขาเป็น "คนอื่น"
น้อยกว่าร้อยละ 5 ตัวอย่างในเชิงบวกในหมวดหมู่นี้ไม่ได้มีผลต่อประสิทธิภาพของรูปแบบการฝึกอบรมที่ เราจึงใช้ทวิตเตอร์ 7785 เป็น input ในการฝึกอบรมหลายป้ายนา€ Ive Bayes
ลักษณนาม เนื่องจากไม่มีความพยายามของมนุษย์เป็นพิเศษเป็นสิ่งจำเป็นและนา€ Ive จําแนกเบส์ที่มีประสิทธิภาพมากในแง่ของการคำนวณเวลาการฝึกอบรมรูปแบบที่เกิดขึ้นที่นี่เกือบจะไม่มีค่าใช้จ่ายเพิ่มเติม ตารางที่ 5 แสดงให้เห็นว่าคำพูดด้านบนน่าจะเป็นที่สุดในแต่ละหมวดหมู่การจัดอันดับโดยใช้พีน่าจะเป็นเงื่อนไข (w | ค) ในขณะที่ (2).
จุดประสงค์ของเราที่นี่คือการตรวจสอบจำนวนเล็ก ๆ ของห้าปัญหาจากข้อมูลชุดเพอร์ดูขนาดใหญ่เพื่อให้เรา
ไม่ได้พูดคุยกับ"คนอื่น" ในส่วนนี้

ผลลัพธ์ (ไทย) 3:

ในส่วนนี้ , Naive Bayes ลักษณนามหลายป้ายที่ใช้ตรวจจับปัญหานักศึกษาวิศวกรรมจากเพอร์ดูชุดข้อมูล มี 35598 Tweets tweet เฉพาะในเพอร์ดู คอลเลกชัน เราเอาตัวอย่างแบบสุ่มของ 1000 ครั้ง และพบว่าไม่เกิน 5 เปอร์เซ็นต์ของ tweets เหล่านี้ได้มีการพูดคุยเกี่ยวกับปัญหาทางวิศวกรรม วัตถุประสงค์ของเราที่นี่เพื่อตรวจสอบจำนวนเล็ก ๆของทวิตเตอร์ ที่สะท้อนให้เห็นถึงวิศวกรรมปัญหาของนักศึกษา ความแตกต่างระหว่าง # ข้อมูลปัญหาทางตั้งและ Purdue ชุดข้อมูลคือ หลังมีขนาดเล็กมากจำนวนกลุ่มตัวอย่างที่เป็นบวกที่จะตรวจพบ และ " คนอื่น " ประเภทมีความหลากหลายมากกว่าเนื้อหา ดังนั้น เพื่อให้การตั้งค่าดีกว่า ปรับให้เข้ากับเพอร์ดูชุดข้อมูล เราเอาตัวอย่างแบบสุ่มของ 5 , 000 ทวีตจาก Purdue ชุดข้อมูลเพิ่มไว้ใน 1651 # engineeringproblems tweets และระบุว่าพวกเขาเป็น " คนอื่น " น้อยกว่าร้อยละ 5 บวกตัวอย่างในหมวดหมู่นี้ไม่มีผลต่อประสิทธิภาพของแบบฝึก เราจึงใช้ 7785 ทวีตเป็น input เพื่อฝึกหลายป้าย na €ıได้ Bayesลักษณนาม เนื่องจากไม่มีการเสริมความพยายามของมนุษย์เป็นสิ่งจำเป็น และนา €ıได้ Bayes ลักษณนามที่มีประสิทธิภาพมากในแง่ของเวลาการคำนวณ แบบฝึกที่นี่ที่เกิดขึ้นเกือบจะไม่มีค่าใช้จ่าย ตารางที่ 5 แสดงคำที่น่าจะเป็นไปได้มากที่สุด ในแต่ละประเภท จัดโดยใช้เงื่อนไขความน่าจะเป็น P ( W | C ) ใน ( 2 )วัตถุประสงค์ของเราที่นี่คือการตรวจสอบจำนวนเล็ก ๆของห้าปัญหาจากชุดข้อมูลที่มีขนาดใหญ่ขึ้น ดังนั้นเราจะไม่หารือเกี่ยวกับ" อื่น ๆ " ในส่วนนี้