In this paper, we propose an adapti

In this paper, we propose an adaptive synthetic (ADASYN)
sampling approach to address this problem. ADASYN is
based on the idea of adaptively generating minority data
samples according to their distributions: more synthetic data
is generated for minority class samples that are harder to learn
compared to those minority samples that are easier to learn.
The ADASYN method can not only reduce the learning bias
introduced by the original imbalance data distribution, but can
also adaptively shift the decision boundary to focus on those
difficult to learn samples.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เรานำเสนอการสังเคราะห์ระบบ (ADASYN)วิธีการสุ่มตัวอย่างเพื่อแก้ปัญหานี้ เป็น ADASYNตามแนวคิดของการสร้างข้อมูลชนกลุ่มน้อยอย่างเหมาะสมตัวอย่างตามการกระจายของพวกเขา: สังเคราะห์ข้อมูลสร้างตัวอย่างคลาสชนกลุ่มน้อยที่ยากจะเรียนรู้เมื่อเทียบกับตัวอย่างส่วนน้อยที่จะง่ายต่อการเรียนรู้วิธีการ ADASYN สามารถไม่เพียงแต่ลดความโน้มเอียงของการเรียนรู้จากเดิมไม่สมดุลข้อมูลกระจาย แต่สามารถยัง กะขอบตัดสินใจเน้นที่อย่างเหมาะสมยากต่อการเรียนรู้ตัวอย่าง

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราจะเสนอการปรับตัวสังเคราะห์ (ADASYN)
วิธีการสุ่มตัวอย่างในการแก้ไขปัญหานี้ ADASYN จะ
ขึ้นอยู่กับความคิดของการปรับเปลี่ยนสร้างข้อมูลชนกลุ่มน้อย
กลุ่มตัวอย่างตามการกระจายของพวกเขา: ข้อมูลสังเคราะห์มากขึ้น
ถูกสร้างขึ้นสำหรับกลุ่มตัวอย่างระดับของชนกลุ่มน้อยที่มีความยากที่จะเรียนรู้
. เมื่อเทียบกับกลุ่มตัวอย่างที่เป็นชนกลุ่มน้อยที่ง่ายต่อการเรียนรู้
วิธีการ ADASYN ไม่เพียง แต่สามารถลด การเรียนรู้อคติ
นำโดยการกระจายข้อมูลความไม่สมดุลของเดิม แต่สามารถ
ยังปรับเปลี่ยนเปลี่ยนขอบเขตการตัดสินใจที่จะมุ่งเน้นที่
ยากที่จะเรียนรู้ตัวอย่าง