Machine learning is used to enhance

Machine learning is used to enhance classification accuracy. Machine learning based approaches employ trained data to classifier algorithm so as to learn the differentiating char￾acteristic of the documents and to predict the polarities of the actual documents (Q. Li et al., 2019). The most well-known machine learning classification algorithms are Support Vector Machines (SVM), Naïve Bayes, Maximum Entropy and recently is deep learning (Martín et al., 2018). An other way of machine learning combined with fuzzy theory that proposed by Muhhamad (Afzaal et al., 2016). They presented the fuzzy aspect based opinion classification system using machine learning. The main objectives of their proposal are to extract important aspects from tourist opinions and classify each aspect opinion into positive and negative.

Kết quả (Việt) 1:

Học máy được sử dụng để nâng cao độ chính xác của phân loại. Các phương pháp tiếp cận dựa trên học máy sử dụng dữ liệu đã được đào tạo cho thuật toán phân loại để tìm hiểu đặc điểm khác biệt của tài liệu và dự đoán tính phân cực của tài liệu thực tế (Q. Li và cộng sự, 2019). Các thuật toán phân loại machine learning nổi tiếng nhất là Support Vector Machines (SVM), Naïve Bayes, Maximum Entropy và gần đây là deep learning (Martín et al., 2018). Một cách học máy khác kết hợp với lý thuyết mờ được đề xuất bởi Muhhamad (Afzaal et al., 2016). Họ đã trình bày hệ thống phân loại ý kiến ​​dựa trên khía cạnh mờ bằng cách sử dụng máy học. Mục tiêu chính của đề xuất của họ là trích xuất các khía cạnh quan trọng từ ý kiến ​​của khách du lịch và phân loại ý kiến ​​​​của từng khía cạnh thành tích cực và tiêu cực.

Kết quả (Việt) 2:

Machine learning được sử dụng để cải thiện độ chính xác phân loại. Phương pháp dựa trên học máy sử dụng dữ liệu sau đào tạo để phân loại các thuật toán để học cách phân biệt các tính năng ￾ Các tính năng của tài liệu và dự đoán tính phân cực của tài liệu thực tế (Q. Li et al., 2019). Các thuật toán phân loại machine learning nổi tiếng nhất là Support Vector Machine (SVM), Naive Bayes, Maximum Entropy và gần đây nhất là Deep Learning (Martín et al., 2018). Một phương pháp học máy khác được đề xuất bởi Muhhamad kết hợp với lý thuyết mơ hồ (Afzaal et al. 2016). Họ đề xuất một hệ thống phân loại ý kiến dựa trên các khía cạnh mơ hồ sử dụng học máy. Mục đích chính của đề xuất của họ là trích xuất các khía cạnh quan trọng từ ý kiến của khách truy cập và chia ý kiến của mỗi khía cạnh thành các loại tích cực và tiêu cực.

Kết quả (Việt) 3:

máy học được sử dụng để cải thiện độ chính xác phân loại. Các phương pháp dựa trên machine learning sử dụng các thuật toán phân loại dữ liệu đào tạo để học các đặc điểm khác biệt của tài liệu và dự đoán tính cực của tài liệu thực tế (Q. Li et al., 2019). Các thuật toán phân loại học máy nổi tiếng nhất là Support Vector Machine (SVM), Bayes đơn giản, tối đa entropy và gần đây nhất là Deep Learning (Martín et al., 2018). Một phương pháp học máy khác của Muhhamad kết hợp lý thuyết mơ hồ (Afzaal et al., 2016). họ đã đưa ra một hệ thống phân loại dựa trên sự mơ hồ. Mục tiêu chính của đề xuất của họ là lấy các khía cạnh quan trọng từ quan điểm của du khách và chia từng khía cạnh thành hai loại tích cực và tiêu cực.