In this chapter we look at a partic

In this chapter we look at a particular type of classification task, where the objects are text documents siicli as articles in newspapers, scientific papers
in journals or perhaps abstracts of papers, or even just their titles. The aim
is to use a set of pre-classified dociiments to classify those that have not yet
been seen. This is becoming an increasingly important practical problem as
the volume of printed material in many fields keeps increasing and even in specialist fields it can be very difficiilt to locate relevant dociiments. Much of the terminology used reflects the origins of this work in librarianship and
information science, long before data mining techniqiies became available.
In principle we can use any of the standard methods of classification (Naive
Bayes, Nearest Neighbour, decision trees etc.) for tlus task, but datasets of text
documents have a number of specific feat iires coiiiparcd with tlie datasets we
have seen so far, which reqiiire separate fixplaiialioii. Tlie special case where
the docziments are wcl) pageK will be covered iii Scctioii 15.9.

Results (Thai) 1:

ในบทนี้เราดูที่ประเภทของงานการจัดหมวดหมู่ซึ่งวัตถุมีเอกสารข้อความ siicli เป็นบทความในหนังสือพิมพ์เอกสารทางวิทยาศาสตร์
ในวารสารหรือบางทีอาจจะบทคัดย่อของเอกสารหรือแม้กระทั่งเพียงแค่ชื่อของพวกเขา จุดมุ่งหมาย
คือการใช้ชุดของ dociiments ก่อนจัดแบ่งประเภทผู้ที่ยังไม่ได้รับการเห็น
นี้จะกลายเป็นปัญหาในทางปฏิบัติที่สำคัญมากขึ้นเป็น
ปริมาณของวัสดุพิมพ์ในหลายสาขาช่วยให้เพิ่มขึ้นและแม้จะอยู่ในเขตข้อมูลที่ผู้เชี่ยวชาญจะสามารถมาก difficiilt เพื่อค้นหา dociiments ที่เกี่ยวข้อง มากของคำศัพท์ที่ใช้สะท้อนให้เห็นถึงต้นกำเนิดของงานนี้ในบรรณารักษ์และวิทยาศาสตร์
ข้อมูลนานก่อนที่จะ techniqiies การทำเหมืองข้อมูลกลายเป็นใช้ได้
ในหลักการเราสามารถใช้วิธีการมาตรฐานของการจัดหมวดหมู่ (ไร้เดียงสา
Bayes,เพื่อนบ้านที่ใกล้ที่สุดต้นไม้ตัดสินใจ ฯลฯ ) สำหรับงาน tlus แต่ชุดของข้อความ
เอกสารที่มีจำนวนของการกระทำที่เฉพาะเจาะจง iires coiiiparcd กับชุดข้อมูล tlie
เราได้เห็นเพื่อให้ห่างไกลซึ่ง reqiiire​​ fixplaiialioii แยก Tlie กรณีพิเศษที่
docziments เป็น WCL) pagek จะได้รับการคุ้มครอง iii scctioii 15.9

Results (Thai) 2:

ในบทนี้ เราดูบางชนิดจัดประเภทงาน วัตถุ siicli เอกสารข้อความเป็นบทความในหนังสือพิมพ์ เอกสารทางวิทยาศาสตร์
ในสมุดรายวันหรือบทคัดย่อบางทีจากเอกสาร หรือแม้แต่ชื่อของพวกเขา จุดมุ่งหมาย
จะใช้ชุดของ dociiments ลับล่วงหน้าเพื่อจัดประเภทที่ยังไม่มี
ถูกมองเห็น นี้เป็นปัญหาจริงสำคัญมากเป็น
ช่วยเพิ่มปริมาตรของวัสดุพิมพ์ในฟิลด์หลายฟิลด์ และในฟิลด์ผู้เชี่ยวชาญ สามารถ difficiilt มากเพื่อค้นหาที่เกี่ยวข้อง dociiments ของคำศัพท์ที่ใช้สะท้อนให้เห็นถึงกำเนิดของงานนี้ใน librarianship และ
วิทยาการสารสนเทศ ยาวก่อน techniqiies การทำเหมืองข้อมูลเป็นใช้
ในหลักที่เราสามารถใช้วิธีการมาตรฐานการจัดประเภท (Naive
Bayes ตัดสินใกล้เพื่อนบ้าน ใจต้นไม้อื่น ๆ) สำหรับงาน tlus แต่ datasets ข้อความ
เอกสารมีจำนวนเฉพาะ feat iires coiiiparcd กับ tlie datasets เรา
ฉะนี้ ได้เห็น fixplaiialioii ที่แยก reqiiire กรณีพิเศษ Tlie ที่
docziments มี wcl) จะครอบคลุม iii Scctioii 15.9 pageK

Results (Thai) 3:

ในบทนี้เราจะดูที่บาง ประเภท ของงานการจัดชั้นลูกหนี้ที่วัตถุที่มีเอกสารข้อความ siicli เป็นบทความในหนังสือพิมพ์เอกสารทางวิทยาศาสตร์
ในวารสารหรืออาจจะหลุดลอยในกระดาษหรือแม้แต่ชื่อของพวกเขา ตั้งเป้าหมายไว้
คือการใช้ชุดของ dociiments Pre - จัดอยู่ในการจัด ประเภท ที่ไม่ได้เห็นแต่
โรงแรมแห่งนี้เป็นปัญหาในทางปฏิบัติสำคัญเพิ่มขึ้นเป็นสัญลักษณ์
ระดับเสียงของวัสดุพิมพ์ในฟิลด์จำนวนมากเพิ่มขึ้นอย่างต่อเนื่องและแม้แต่ในฟิลด์ผู้เชี่ยวชาญด้าน IT สามารถเป็นอย่างมากในการค้นหา difficiilt dociiments ที่เกี่ยวข้อง จำนวนมากของคำศัพท์ที่ใช้สะท้อนถึงต้นกำเนิดของงานนี้ในทางวิทยาศาสตร์,
ข้อมูลและ librarianship ยาวก่อน techniqiies ข้อมูล( data mining )กลายเป็นจัดให้บริการ
ในหลักการเราสามารถใช้วิธีใดวิธีหนึ่งมาตรฐานของการแบ่ง ประเภท (ไร้เดียงสา
bayes ใดๆเพื่อนบ้านที่อยู่ใกล้ที่สุดการตัดสินใจต้นไม้ฯลฯ)สำหรับงาน tlus แต่ datasets ของข้อความ
เอกสารมีจำนวนของ coiiiparcd iires ความสามารถเฉพาะ datasets tlie เรา
ได้เห็นอย่างมากซึ่ง reqiiire fixplaiialioii แบบแยกพื้นที่ กรณีพิเศษ tlie ที่ docziments
มี wcl ) pagek จะได้รับ III scctioii 15.9