评估是确定能够以最高精

alamimalamin447

A 和 RNS 的总共 1700 个摘要。测试集包含 RNAi 类中的 101 个 RNAi 摘要和 Non_RNAi 类中的药物、药物-药物、NA 和 RNS 总共 1700 个摘要。 表1 用于测试各种weka分成 全尺寸桌子 算法的选择 度执行给定任务的最佳分类器的关键。由于训练和测试的数据量有限，选择 10 倍分层交叉验证作为评估各种分类器的最合适方法。使用以下 7 个分类器对数据集进行评估

，即 ZeroR、NaiveBayes、K 最近邻、J48、随机森林、支持向量机和 OneR。这些是一些最常用的文本分类算法，除了此处用于获取基线的 ZeroR 之外。属于 WEKA 的过滤分类器 [ 32] 使用元分类器，因为它具有同时Telegram 用户号码列表选择分类器和过滤器来评估模型的优点。上面提到的各种分类器与字符串到词向量过滤器一起进行了测试。字符串到单词过滤器将字符串属性转换为一组属性，这些属性表示字符串

中包含的文本中出现的单词。属性集是根据训练数据集确定的。选择 10 倍分层交叉验证选项，并对来自训练集的数据（表1）进行评估以确定最佳分类器。 训练和测试模型 根据上述5个模型的分类准确率，选择前三个模型进行训练和测试。这些模型经过训练，然后在表1所示的数据集上进行测试。选择性能最高的模型，即在第 4 组上训练的 SMO (SMO-4) 作为在