求英语高手翻译一下！谢谢

表格2表明了建立在标题。摘要，总结基础上的150项收集的专利文件的自动分类。评估运用了测试模式中的10型交叉验证。我们比较不同分类方式分类的准确性：KNN. DT. SVM和NB都有不同的筛选标准。IG. CHI. 和威客的DF。我们发现在总结被加到当前文件时，大部分案例的准确性都下降了，但是被加工完善的词汇数量却在几轮后增加了。从特性筛选技巧角度来说，IG/CHI要比DF在所有案例中要运用的好。在我们实验的四种分类方法中，DT在规格维数低时最适用，svm其次，而DT在维数规格高时适用性最差。有待完善，希望对你有帮助！

表格2显示了150项专利文档的自动分类结果，其中分类（a）基于题目和摘要，分类（b）基于题目、摘要和总结。使用10重交叉验证的测试模式进行评估，并采用文献23中WEKA提出的不同的特征选择矩阵IG、CHI和DF等比较了k近邻方法，决策树方法，支持向量机方法和Naive贝叶斯四种不同分类器的分类精度。研究发现当把“总结”部分增加到当前文档后，在大部分情况下精度都下降了（如表2），但是经过几重验证所处理的单词数量却减少了（如表1）。就特征选择技术而言，在所有的情况下IG/CHI要比DF表现出更加性能。在我们实验中用到的四个分类器，当特征的维数（也即选择的特征数）较低（使用ID选择特征）时DT的表现是最好的；NB表现最好，SVM次之，当特征维数较高（使用DF选择特征时，DT在大部分情况下表现最差。

表格2显示了关于150份专利文件依据（a）他们的题目和概要以及（b）题目、概要和总结的自动分类的结果。我们经过使用10次折叠交叉生效（21）的检测方式进行评估，比较了不同的分类器的分类准确度，（这些分类器包括）：｛？？｝亲近K邻居（KNN），决策树（DT），媒介支持机器（SVM），和牛逼（NB）（22）
我不行了 楼主 我投降 您还是自己慢慢看吧……