B. ClassificationClassification is

B. Classification
Classification is a data mining task that predicts group membership for data instances [6]. In this paper, the classification approaches are used to predict the Grade of thegraduate student and there are four grades (Excellent, Very good, Good, and Average) and how other attributes affect them.
Two classification methods are used which are Rule Induction and Naïve Bayesian classifier. A Rule-based classifier extracts a set of rules that show relationships between attributes of the data set and the class label. It uses a set of IFTHEN rules for classification. Rules are easier for humans to understand. Naïve Bayesian classifier is a technique for estimating probabilities of individual variable values, given a class, from training data and to then allow the use of these
probabilities to classify new entities [6].
Figure 4 depicts the rules that resulted from applying the Rule Induction classification algorithm on the Grade of the graduate student as a target class. As it is seen from the figure,
the attributes that influence the category of the target class are the Secondary_School_Type, the Matriculation_GPA, the City, the Gender and the Speciality, the model presented in figure 4
has an accuracy of 71.25% which is acceptable accuracy and we suggest using Rule Induction algorithm for predicting the grade of the student. To interpret the rules in the Rule Model,
the first rule says that, if the Secondary_School_Type equal Adabi and the Matriculation_GPA equal Poor, the grade of the student can be predicted as Average, and so on.
It is important to know that classification rules are different than rules generated from association. Association rules are characteristic rules (it describes current situation), but
classification rules are prediction rules (it describes future situation) [5].
Figure 5 presents the Distribution model for label attribute Grade that resulted from applying the Naïve Bayesian classifier, the model has an accuracy of 67.50% which is acceptable accuracy and we suggest using Naïve Bayesian method for predicting the grade of the student. Figure 5: The Distribution model for label attribute Grade
The benefit of these two methods is that it can predict low grades on time. For example the college management can predict Average students from the beginning and they may
work on them to improve their performance before the graduation.

ผลลัพธ์ (ไทย) 1:

B. ประเภทประเภทคือ ภารกิจการทำเหมืองข้อมูลที่ทำนายสมาชิกกลุ่มสำหรับอินสแตนซ์ข้อมูล [6] ในเอกสารนี้ วิธีการจัดประเภทจะใช้ในการทำนายเกรดของนักเรียน thegraduate และมีเกรด 4 (ดีเยี่ยม มากดี ดี และค่าเฉลี่ย) และคุณลักษณะอื่น ๆ กระทบเหล่านั้น2 ประเภทวิธีใช้ซึ่งจะเหนี่ยวนำกฎและทฤษฎีขำน่า classifier Classifier ที่กฎที่ใช้แยกชุดของกฎที่แสดงความสัมพันธ์ระหว่างแอททริบิวต์ของชุดข้อมูลและป้ายชื่อคลาส ใช้ชุดของกฎ IFTHEN การจัด กฎมนุษย์จะเข้าใจง่ายขึ้น ทฤษฎีขำน่า classifier เป็นเทคนิคสำหรับการประเมินกิจกรรมของแต่ละค่าตัวแปร กำหนดชั้นเรียน ข้อมูลการฝึกอบรม และ การอนุญาตให้ใช้เหล่านี้แล้วกิจกรรมในการจัดประเภทใหม่ในเอนทิตี [6]รูปที่ 4 แสดงให้เห็นกฎที่เป็นผลมาจากการใช้อัลกอริทึมการจัดประเภทกฎการเหนี่ยวนำกับเกรดของนักศึกษาบัณฑิตศึกษาเป็นระดับเป้าหมาย ดังที่เห็นจากตัวเลขคุณลักษณะที่มีผลต่อประเภทของคลาเป้าหมายอยู่ Secondary_School_Type, Matriculation_GPA เมือง เพศ และ พิเศษ แบบแสดงในรูปที่ 4มีความถูกต้องของ 71.25% ซึ่งยอมรับความถูกต้อง และเราขอแนะนำการใช้กฎการเหนี่ยวนำอัลกอริทึมสำหรับการคาดการณ์ระดับของนักเรียน แปลแบบกฎ กฎของกฎข้อแรกกล่าวว่า ถ้า Adabi เท่ากับ Secondary_School_Type และ Matriculation_GPA เท่ากับคนจน เกรดของนักเรียนสามารถจะทำนายค่าเฉลี่ย และอื่น ๆIt is important to know that classification rules are different than rules generated from association. Association rules are characteristic rules (it describes current situation), butclassification rules are prediction rules (it describes future situation) [5]. Figure 5 presents the Distribution model for label attribute Grade that resulted from applying the Naïve Bayesian classifier, the model has an accuracy of 67.50% which is acceptable accuracy and we suggest using Naïve Bayesian method for predicting the grade of the student. Figure 5: The Distribution model for label attribute GradeThe benefit of these two methods is that it can predict low grades on time. For example the college management can predict Average students from the beginning and they maywork on them to improve their performance before the graduation.

ผลลัพธ์ (ไทย) 2:

B. การจัดหมวดหมู่
การจัดหมวดหมู่เป็นงานที่ทำเหมืองข้อมูลคาดการณ์ว่าสมาชิกของกลุ่มสำหรับกรณีข้อมูล [6] ในบทความนี้วิธีการจัดหมวดหมู่ที่มีการใช้ในการทำนายของนักเรียนชั้นประถมศึกษาปี thegraduate และมีเกรดสี่ (ดีเยี่ยม, ดีมาก, ดีและปานกลาง) และวิธีการที่คุณลักษณะอื่น ๆ ส่งผลกระทบต่อพวกเขา.
สองวิธีที่ใช้ในการจัดหมวดหมู่ที่มีกฎการเหนี่ยวนำและไร้เดียงสา ลักษณนามเบย์ สารสกัดจากจําแนกตามกฎชุดของกฎที่แสดงให้เห็นความสัมพันธ์ระหว่างคุณลักษณะของชุดข้อมูลและฉลากระดับ จะใช้ชุดของกฎ IFTHEN การจัดหมวดหมู่ กฎง่ายขึ้นสำหรับมนุษย์ที่จะเข้าใจ ลักษณนาม Bayesian ไร้เดียงสาเป็นเทคนิคสำหรับการประเมินความน่าจะเป็นของค่าตัวแปรแต่ละระดับได้รับจากการฝึกอบรมและข้อมูลแล้วช่วยให้การใช้งานของเหล่านี้
น่าจะเป็นที่จะจำแนกประเภทหน่วยงานใหม่ [6].
รูปที่ 4 แสดงให้เห็นถึงกฎที่เป็นผลมาจากการใช้กฎการเหนี่ยวนำ ขั้นตอนวิธีการจัดหมวดหมู่ในเกรดของนักศึกษาระดับบัณฑิตศึกษาเป็นระดับเป้าหมาย ในขณะที่มันจะเห็นได้จากรูปที่
แอตทริบิวต์ที่มีอิทธิพลต่อประเภทของระดับเป้าหมายที่มี Secondary_School_Type, Matriculation_GPA เมือง, เพศและความชำนาญพิเศษในรูปแบบที่นำเสนอในรูปที่ 4
มีความถูกต้องของ 71.25% ซึ่งเป็นความถูกต้องเป็นที่ยอมรับ และเราขอแนะนำให้ใช้ขั้นตอนวิธีการเหนี่ยวนำกฎการทำนายเกรดของนักเรียน ในการตีความกฎระเบียบในรุ่นกฎ,
กฎข้อแรกบอกว่าถ้าเท่ากับ Secondary_School_Type Adabi และ Matriculation_GPA เท่ากับแย่เกรดของนักเรียนสามารถคาดการณ์เป็นเฉลี่ย, และอื่น ๆ .
มันเป็นสิ่งสำคัญที่จะรู้ว่ากฎระเบียบที่มีการจัดหมวดหมู่ แตกต่างจากกฎระเบียบที่สร้างขึ้นจากการเชื่อมโยง กฎสมาคมกฎลักษณะ (มันอธิบายสถานการณ์ในปัจจุบัน) แต่
กฎการจัดหมวดหมู่กฎทำนาย (มันอธิบายสถานการณ์ในอนาคต) [5].
รูปที่ 5 ที่มีการจัดรูปแบบการจัดจำหน่ายฉลากแอตทริบิวต์ชั้นประถมศึกษาปีที่เกิดจากการใช้ลักษณนาม Bayesian ไร้เดียงสาแบบมี ความถูกต้องของ 67.50% ซึ่งเป็นที่ยอมรับและถูกต้องเราขอแนะนำให้ใช้วิธีการแบบเบย์ไร้เดียงสาในการทำนายเกรดของนักเรียน รูปที่ 5: รูปแบบการจัดจำหน่ายฉลากแอตทริบิวต์เกรด
ประโยชน์ของทั้งสองวิธีก็คือว่ามันสามารถคาดการณ์เกรดต่ำในเวลา ยกตัวอย่างเช่นการจัดการวิทยาลัยนักเรียนสามารถคาดการณ์ค่าเฉลี่ยจากจุดเริ่มต้นและพวกเขาอาจจะ
ทำงานกับพวกเขาในการปรับปรุงประสิทธิภาพการทำงานของพวกเขาก่อนที่จะจบการศึกษา

ผลลัพธ์ (ไทย) 3:

หมวดหมู่
B คือการทำเหมืองข้อมูลงานที่คาดการณ์สำหรับกรณีสมาชิกกลุ่มข้อมูล [ 6 ] ในกระดาษนี้ , การจำแนกวิธีการทำนายผลการเรียนของนักเรียน thegraduate และมี 4 เกรด ( ดีเยี่ยม ดีมาก ดี ปานกลาง ) และคุณสมบัติอื่น ๆ มีผลต่อพวกเขา .
สอง การใช้วิธีที่กฎการเหนี่ยวนำและนาเบไตได้ลักษณนาม กฎตามแบบสารสกัดจากชุดของกฎที่แสดงความสัมพันธ์ระหว่างคุณลักษณะของชุดข้อมูลและห้องป้าย จะใช้ชุดของกฎ ifthen สำหรับการจำแนกประเภท กฎง่ายสำหรับมนุษย์ที่จะเข้าใจนาเบไตได้แบบเป็นเทคนิคสำหรับการประมาณค่าความน่าจะเป็นของตัวแปรแต่ละตัวให้ คลาส จากข้อมูลการฝึกอบรมและจากนั้นให้ใช้ความน่าจะเป็นเหล่านี้
แยกหน่วยงานใหม่ [ 6 ] .
รูปที่ 4 แสดงให้เห็นกฎที่เกิดจากการใช้กฎการจำแนกขั้นตอนวิธีการในเกรดของนักศึกษาเป็น เป้าหมายระดับเท่าที่เห็นจากรูป
แอตทริบิวต์ที่มีอิทธิพลต่อประเภทของชั้นเรียนเป้าหมายเป็น secondary_school_type , matriculation_gpa เมือง เพศ และ พิเศษ แบบที่แสดงในรูปที่ 4
มีความถูกต้องของ 71.25 % ซึ่งความถูกต้องและเราขอแนะนำให้ใช้กฎการเหนี่ยวนำของขั้นตอนวิธีสำหรับทำนายเกรด นักเรียนการตีความกฎกฎรูปแบบ
กฎแรกบอกว่า ถ้า secondary_school_type เท่ากับ adabi และ matriculation_gpa เท่ากับคนจน เกรดของนักเรียนสามารถคาดการณ์โดยเฉลี่ย และ
มันเป็นสิ่งสำคัญที่จะรู้ว่ากฎการจำแนก แตกต่างจากกฎที่สร้างขึ้นจากสมาคม กฎกติกาของสมาคม ( มันอธิบายสถานการณ์ปัจจุบัน ) แต่
กฎการจำแนกกฎการทำนาย ( มันอธิบายสถานการณ์ในอนาคต ) [ 5 ]
รูปที่ 5 แสดงแบบจำลองการกระจายสำหรับป้ายชื่อคุณลักษณะเกรด ที่เกิดจากการใช้ลักษณนามได้นา ไตส์ แบบมีความถูกต้องของ 67.50 % ซึ่งความถูกต้องและเราขอแนะนำให้ใช้วิธีแบบนาไตได้ในเกรดของนักเรียน รูปที่ 5 :แบบจำลองการกระจายสำหรับป้ายชื่อคุณลักษณะเกรด
ข้อดีของทั้งสองวิธีนี้ก็คือว่ามันสามารถทำนายได้เกรดต่ำ ในเวลา ตัวอย่างเช่นการจัดการวิทยาลัยสามารถคาดการณ์เฉลี่ยนักเรียนจากจุดเริ่มต้นและพวกเขาอาจ
ทำงานบนพวกเขาเพื่อปรับปรุงประสิทธิภาพของพวกเขาก่อนที่จะจบการศึกษา