There is an empirical comparison be

There is an empirical comparison between SVM and Artifi-
cial neural networks ANNs presented by Moraes and Valiati
[53] regarding document-level sentiment analysis. They made
this comparison because SVM has been widely and successfully
used in SA while ANNs have attracted little attention
as an approach for sentiment learning. They have discussed
the requirements, resulting models and contexts in which both
approaches achieve better levels of classification accuracy.
They have also adopted a standard evaluation context with
popular supervised methods for feature selection and weighting
in a traditional BOWs model. Their experiments indicated
that ANN produced superior results to SVM except for some
unbalanced data contexts. They have tested three benchmark
data sets on Movie, GPS, Camera and Books Reviews from
amazon.com. They proved that the experiments on movie
reviews ANN outperformed SVM by a statistically significant
difference. They confirmed some potential limitations of both
models, which have been rarely discussed in the SA literature,
like the computational cost of SVM at the running time and
ANN at the training time. They proved that using Information
gain (a computationally cheap feature selection Method) can
reduce the computational effort of both ANN and SVM without
significantly affecting the resulting classification accuracy.
SVM and NN can be used also for the classification of personal
relationships in biographical texts as presented by van de
Camp and van den Bosch [47]. They marked relations between
two persons (one being the topic of a biography, the other
being mentioned in this biography) as positive, neutral, or
unknown. Their case study was based on historical biographical
information describing people in a particular domain,
region and time frame. They showed that their classifiers were
able to label these relations above a majority class baseline
score. They found that a training set containing relations, surrounding
multiple persons, produces more desirable results
than a set that focuses on one specific entity. They proved that
SVM and one layer NN (1-NN) algorithm achieve the highest
scores.
4.1.1.3. Decision tree classifiers. Decision tree classifier provides
a hierarchical decomposition of the training data space
in which a condition on the attribute value is used to divide
the data [76]. The condition or predicate is the presence or
absence of one or more words. The division of the data space
is done recursively until the leaf nodes contain certain minimum
numbers of records which are used for the purpose of
classification.

Kết quả (Việt) 1:

Đó là một so sánh thực nghiệm giữa SVM và Artifi-mạng nơ-ron cial ANNs trình bày bởi Moraes và Valiati[53] về phân tích cấp tài liệu tình cảm. Họ đã thực hiệnso sánh này bởi vì SVM đã rộng rãi và thành côngđược sử dụng trong SA trong khi ANNs đã thu hút ít sự chú ýnhư là một cách tiếp cận học tập tình cảm. Họ đã thảo luậnCác yêu cầu, kết quả các mô hình và bối cảnh trong đó cả haiphương pháp tiếp cận đạt được các cấp độ tốt hơn của phân loại chính xác.Họ cũng đã thông qua một bối cảnh tiêu chuẩn đánh giá vớiphương pháp giám sát phổ biến cho tính năng lựa chọn và nặngtrong một mô hình cung truyền thống. Thí nghiệm của họ chỉ địnhANN sản xuất kết quả vượt trội SVM ngoại trừ một sốbối cảnh không cân bằng dữ liệu. Họ đã thử nghiệm ba điểm chuẩnbộ dữ liệu trên phim, GPS, Camera và sách đánh giá từAmazon.com. họ chứng minh rằng các thí nghiệm trên phimđánh giá ANN tốt hơn SVM bởi một thống kê quan trọngsự khác biệt. Họ xác nhận một số hạn chế tiềm năng của cả haiMô hình, mà đã được hiếm khi thảo luận trong các tài liệu SA,thích chi phí tính toán SVM tại thời gian chạy vàANN tại thời gian đào tạo. Họ đã chứng minh rằng bằng cách sử dụng thông tincó thể đạt được (một giá rẻ computationally tính năng lựa chọn phương pháp)giảm các nỗ lực tính toán của ANN và SVM mà không cóđáng kể ảnh hưởng đến tính chính xác kết quả của phân loại.SVM và NN có thể được sử dụng cũng để phân loại cá nhânmối quan hệ trong các văn bản tiểu sử là trình bày bởi van deTrại và van den Bosch [47]. Họ đánh dấu các quan hệ giữahai người (một là chủ đề của một cuốn tiểu sử, khácđược đề cập trong cuốn tiểu sử này) là tích cực, trung tính, hoặckhông rõ. Nghiên cứu trường hợp của họ dựa trên lịch sử tiểu sửthông tin mô tả người trong một tên miền cụ thể,vùng và khung thời gian. Họ đã cho thấy rằng máy phân loại của họ đãcó thể gắn nhãn các quan hệ trên một đường cơ sở lớp đađiểm. Họ thấy rằng một đào tạo thiết lập có quan hệ, xung quanhnhiều người, cho kết quả hơn mong muốnhơn một bộ tập trung vào một trong những thực thể cụ thể. Họ đã chứng minh rằngSVM và một lớp NN (1-NN) thuật toán đạt được điểm cao nhấtđiểm số.4.1.1.3. Máy phân loại cây quyết định. Cung cấp các loại cây quyết địnhmột phân hủy phân cấp không gian dữ liệu đào tạotrong đó một điều kiện trên giá trị thuộc tính được sử dụng để phân chiadữ liệu [76]. Điều kiện hay vị ngữ là sự hiện diện hoặcsự vắng mặt của một hoặc nhiều từ. Sự phân chia không gian của dữ liệuđược thực hiện đệ quy cho đến khi các nút lá chứa một số tối thiểusố lượng hồ sơ được sử dụng cho châm củaphân loại.

Kết quả (Việt) 2:

Có một thực nghiệm so sánh giữa SVM và Artifi-
mạng thần kinh tài ANNs trình bày bởi Moraes và Valiati
[53] về phân tích tâm lý tài liệu cấp. Họ đã
so sánh này vì SVM đã được rộng rãi và thành công
được sử dụng trong khi SA ANNs đã thu hút ít sự chú ý
như một cách tiếp cận để học hỏi về tình cảm. Họ đã thảo luận về
các yêu cầu, kết quả mô hình và bối cảnh mà trong đó cả hai
cách tiếp cận tốt hơn mức độ đạt được độ chính xác phân loại.
Họ cũng đã áp dụng một bối cảnh đánh giá chuẩn với
phương pháp giám sát phổ biến để lựa chọn tính năng và trọng lượng
trong một mô hình BOW truyền thống. Thí nghiệm của họ chỉ ra
rằng ANN cho kết quả vượt trội so với SVM trừ một số
bối cảnh dữ liệu không cân bằng. Họ đã thử nghiệm ba benchmark
bộ dữ liệu về phim, GPS, Camera và Sách Nhận xét ​​từ
amazon.com. Họ đã chứng minh rằng các thí nghiệm trên phim
đánh giá ANN vượt trội so với SVM bởi một ý nghĩa thống kê
khác biệt. Họ đã xác nhận một số hạn chế tiềm năng của cả hai
mô hình, mà rất ít khi được thảo luận trong văn học SA,
như chi phí tính toán của SVM lúc chạy và
ANN tại thời gian đào tạo. Họ đã chứng minh rằng việc sử dụng thông tin
thu được (một lựa chọn tính năng Phương pháp tính toán giá rẻ) có thể
làm giảm các nỗ lực tính toán của cả hai ANN và SVM mà không
ảnh hưởng đáng kể độ chính xác phân loại kết quả.
SVM và NN có thể được sử dụng cũng để phân loại các cá nhân
các mối quan hệ trong các văn bản tiểu sử được trình bày bởi van de
Camp và van den Bosch [47]. Họ đánh dấu mối quan hệ giữa
hai người (một là chủ đề của một cuốn tiểu sử, sự khác
được đề cập trong cuốn tiểu sử này) là tích cực, trung lập, hoặc
không rõ. Nghiên cứu trường hợp của họ được dựa trên tiểu sử lịch sử
thông tin miêu tả người trong một miền, đặc biệt
khu vực và thời gian khung hình. Họ đã chỉ ra rằng các phân loại của họ là
thể dán nhãn các mối quan hệ trên cơ sở một lớp đa
điểm. Họ phát hiện ra rằng một tập huấn luyện có chứa các mối quan hệ, xung quanh
nhiều người, tạo ra kết quả mong muốn hơn
so với một bộ tập trung vào một chủ thể cụ ​​thể. Họ đã chứng minh rằng
SVM và một lớp NN (1-NN) thuật toán đạt mức cao nhất
điểm.
4.1.1.3. Quyết định phân loại cây. Quyết định phân loại cây cung cấp
một phân hủy phân cấp của không gian dữ liệu huấn luyện
, trong đó một điều kiện về giá trị thuộc tính được sử dụng để phân chia
các dữ liệu [76]. Điều kiện hay vị là sự hiện diện hay
vắng mặt của một hoặc nhiều từ. Việc phân chia không gian dữ liệu
được thực hiện đệ quy cho đến các nút lá chứa một số tối thiểu
số lượng hồ sơ được sử dụng cho các mục đích của
phân loại.