On the other hand, recall goes down

On the other hand, recall goes down the stronger the filter is, which is natural as a strong filter is likely to remove informative examples about less frequently used endpoints. It has to be noted, though, that recall remains largely unaffected for considerable strong noise filters, indicating a relatively broad range in which it can be applied without negative impacts. Overall, the application of a noise filter improves the overall F1 score from around 0.46 up to 0.64. When applying our method to an unknown dataset though, the impact may differ. Possibly, an adequate noise filter level might be learned over time from experiments.

ผลลัพธ์ (ไทย) 1:

บนมืออื่น ๆ เรียกคืนลงมาใน filter เป็น ซึ่งเป็นธรรมชาติ filter แข็งแกร่งเป็นแนวโน้มที่จะเอาตัวอย่างข้อมูลเกี่ยวกับปลายทางที่ใช้บ่อยน้อยลง เป็นที่น่าสังเกต แม้ว่า เรียกคืนยังคงอยู่ส่วนใหญ่ได้รับผลกระทบสำหรับฟิลเตอร์สัญญาณรบกวนแรงมาก แสดงค่อนข้างหลากหลายซึ่งมันสามารถใช้ได้ โดยไม่มีผลกระทบทางลบได้ โดยรวม การประยุกต์ใช้ filter เสียงช่วยเพิ่มคะแนน F1 โดยรวมจากประมาณ 0.46 ถึง 0.64 เมื่อใช้วิธีการของเรามีชุดข้อมูลที่ไม่รู้จักแต่ ผลกระทบอาจแตกต่างกัน อาจจะ มีพอ filter รบกวนอาจเรียนรู้ได้ตลอดเวลาจากการทดลอง

ผลลัพธ์ (ไทย) 2:

ในทางตรงกันข้ามการเรียกคืนไปลงแข็งแกร่งกรอง Fi คือซึ่งเป็นธรรมชาติเป็นกรอง Fi ที่แข็งแกร่งมีแนวโน้มที่จะเอาตัวอย่างข้อมูลเกี่ยวกับอุปกรณ์ปลายทางที่ใช้ไม่บ่อย มันจะต้องมีการตั้งข้อสังเกต แต่จำได้ว่าส่วนใหญ่ยังคงได้รับผลกระทบมากสำหรับการที่แข็งแกร่ง lters เสียง Fi แสดงให้เห็นช่วงค่อนข้างกว้างในการที่จะสามารถนำไปใช้โดยไม่ได้รับผลกระทบด้านลบ โดยรวม, การประยุกต์ใช้กรองเสียงรบกวน Fi ช่วยเพิ่มคะแนน F1 โดยรวมจากทั่ว 0.46 ถึง 0.64 เมื่อใช้วิธีการของเราไปยังชุดข้อมูลที่ไม่รู้จัก แต่ผลกระทบที่อาจแตกต่างกัน อาจจะเป็นเสียง Fi ระดับกรองเพียงพออาจจะมีการเรียนรู้ในช่วงเวลาที่ได้จากการทดลอง

ผลลัพธ์ (ไทย) 3:

บนมืออื่น ๆที่เรียกไปลงแข็งแกร่งจึง lter ซึ่งมีธรรมชาติเป็น lter จึงแข็งแรง น่าจะเอาตัวอย่าง ข้อมูลเกี่ยวกับ น้อยกว่าที่ใช้เป็นฐาน มันต้องเป็นข้อสังเกตว่าจำได้ส่วนใหญ่ยังคงได้รับผลกระทบเพื่อมากแข็งแรง เสียงจึง lters ระบุช่วงค่อนข้างกว้างซึ่งสามารถประยุกต์ โดยไม่มีผลกระทบเชิงลบ โดยการประยุกต์ใช้เสียงจึง lter เพิ่มคะแนนโดยรวมจาก F1 รอบ 0.46 ถึง 0.64 . เมื่อใช้วิธีของเราจะไม่ทราบข้อมูล แต่ผลกระทบอาจจะแตกต่างกัน อาจจะ , มีสัญญาณรบกวนจึง lter ระดับอาจจะเรียนรู้ตลอดเวลา จากการทดลอง