ConclusionThe class imbalanced prob

Conclusion
The class imbalanced problem has got more attentions among data miners. There are
many techniques for handling such problem. However, traditional data mining techniques
are still unsatisfactory. We present an efficient technique called Safe-Level-
SMOTE to handle this class imbalanced problem.
The experiments show that the performance of Safe-Level-SMOTE evaluated by
precision and F-value are better than that of SMOTE and Borderline-SMOTE when
decision trees C4.5 are applied as classifiers. This comes from the fact that Safe-
Level-SMOTE carefully over-samples a dataset. Each synthetic instance is generated
in safe position by considering the safe level ratio of instances. In contrast, SMOTE
and Borderline-SMOTE may generate synthetic instances in unsuitable locations,
such as overlapping regions and noise regions. We can conclude that synthetic instances
generated in safe positions can improve prediction performance of classifiers
on the minority class.
Although the experimental results have provided evidence that Safe-Level-SMOTE
can be successful classified numeric datasets in the class imbalanced problem, there are
several future works left to be studied in this line of research. First, different definitions
to assign safe level would be valuable. Second, additional methods to classify datasets
which have nominal attributes are useful. Third, automatic determination of the amount
of synthetic instances generated by Safe-Level-SMOTE should be addressed.

ผลลัพธ์ (ไทย) 1:

สรุปปัญหาการขาดดุลระดับได้แน่นมากขึ้นในหมู่คนงานเหมืองข้อมูล มีเทคนิคการจัดการปัญหาดังกล่าว อย่างไรก็ตาม เทคนิคเหมืองข้อมูลแบบดั้งเดิมยังไม่พอใจ เรานำเสนอเป็นเทคนิคที่มีประสิทธิภาพที่เรียกว่าปลอดภัย-ระดับ -SMOTE การจัดการกับปัญหาการขาดดุลระดับนี้การทดลองที่แสดงประสิทธิภาพของก็ตบปลอดภัยระดับประเมินโดยความแม่นยำและค่า F จะดีกว่าที่ SMOTE และ SMOTE แดนเมื่อต้นไม้ตัดสินใจ C4.5 จะถูกใช้เป็นคำหลักภาษา นี้มาจากความจริงที่ปลอดภัย-ระดับก็ตบอย่างรอบคอบมากกว่าตัวอย่างชุดข้อมูล มีสร้างแต่ละอินสแตนซ์ที่สังเคราะห์ในตำแหน่งที่ปลอดภัยโดยพิจารณาอัตราระดับความปลอดภัยของอินสแตนซ์ ตรงกันข้าม ก็ตบและก็ตบแดนอาจสร้างอินสแตนซ์ที่สังเคราะห์ในสถานที่ไม่เหมาะสมเช่นพื้นที่ทับซ้อนและรบกวนพื้นที่ เราสามารถสรุปได้ว่าสังเคราะห์อินสแตนซ์สร้างตู้นิรภัยในตำแหน่งสามารถปรับปรุงประสิทธิภาพการคาดเดาของคำหลักภาษาในระดับส่วนน้อยแม้ว่าผลการทดลองได้ให้หลักฐานที่ปลอดภัยระดับก็ตบสามารถประสบความสำเร็จจัดเลข datasets ในปัญหาการขาดดุลระดับ มีผลงานในอนาคตหลายการศึกษาในสายวิจัยนี้ออก นิยามแรก แตกต่างกันการกำหนดระดับที่ปลอดภัยได้คุณค่า สอง เพิ่มเติมวิธีการในการจัดประเภทชุดข้อมูลซึ่งมีกำหนดแอตทริบิวต์มีประโยชน์ การกำหนดจำนวนสาม อัตโนมัติอินสแตนซ์สังเคราะห์ที่สร้างขึ้นโดย ก็ตบปลอดภัยระดับที่ได้รับ

ผลลัพธ์ (ไทย) 2:

สรุป
ปัญหาขาดดุลระดับได้มีความสนใจมากขึ้นในหมู่คนงานเหมืองข้อมูล มี
หลายเทคนิคในการจัดการปัญหาดังกล่าว อย่างไรก็ตามเทคนิคการทำเหมืองข้อมูลแบบดั้งเดิม
ยังคงเป็นที่น่าพอใจ เรานำเสนอเทคนิคที่มีประสิทธิภาพที่เรียกว่าตู้เซฟ Level-
ประหารที่จะจัดการกับปัญหาขาดดุลชั้นนี้.
การทดลองแสดงให้เห็นว่าการทำงานของตู้เซฟระดับโจมตีการประเมินโดย
ความแม่นยำและ F มีมูลค่าที่ดีกว่าที่ฆ่าฟันและชายแดน-ประหารเมื่อ
ต้นไม้ตัดสินใจ C4.5 ถูกนำมาใช้เป็นลักษณนาม นี้มาจากความจริงที่ว่า Safe-
ระดับประหารอย่างระมัดระวังมากกว่าตัวอย่างชุดข้อมูล แต่ละกรณีสังเคราะห์จะถูกสร้างขึ้น
ในตำแหน่งที่ปลอดภัยโดยพิจารณาจากอัตราส่วนในระดับที่ปลอดภัยของอินสแตนซ์ ในทางตรงกันข้ามการฆ่าฟัน
และชายแดน-ประหารอาจสร้างอินสแตนซ์สังเคราะห์ในสถานที่ที่ไม่เหมาะสม
เช่นภูมิภาคที่ทับซ้อนกันและภูมิภาคเสียง เราสามารถสรุปได้ว่ากรณีสังเคราะห์
สร้างขึ้นในตำแหน่งที่ปลอดภัยสามารถปรับปรุงประสิทธิภาพการคาดการณ์ของลักษณนาม
ในชั้นชนกลุ่มน้อย.
ถึงแม้ว่าผลการทดลองได้ให้หลักฐานที่แสดงว่าตู้เซฟระดับประหาร
สามารถประสบความสำเร็จชุดข้อมูลที่เป็นตัวเลขจัดให้อยู่ในปัญหาขาดดุลระดับที่มี
หลายอนาคต ผลงานที่เหลือที่จะได้รับการศึกษาในสายของการวิจัยครั้งนี้ ขั้นแรกให้คำนิยามที่แตกต่างกัน
ในการกำหนดระดับที่ปลอดภัยจะมีคุณค่า ประการที่สองวิธีการอื่นที่จะจัดชุดข้อมูล
ที่มีแอตทริบิวต์ที่ระบุมีประโยชน์ ประการที่สามการกำหนดอัตโนมัติของจำนวนเงินที่
กรณีสังเคราะห์ที่สร้างขึ้นโดยปลอดภัยระดับประหารควรได้รับการแก้ไข

ผลลัพธ์ (ไทย) 3:

สรุปชั้นได้มีความสนใจในปัญหาไม่สมดุล เหมืองข้อมูล มีหลายเทคนิคสำหรับการจัดการกับปัญหาดังกล่าว อย่างไรก็ตาม เทคนิคการทำเหมืองข้อมูลแบบดั้งเดิมยังไม่น่าพอใจ เรานำเสนอที่มีประสิทธิภาพเทคนิคที่เรียกว่าระดับปลอดภัยโจมตีเพื่อจัดการกับปัญหาเรียนไม่สมดุลนี้การทดลองแสดงให้เห็นว่าประสิทธิภาพของระดับความปลอดภัยได้ประเมินโดยค่าความแม่นยำที่ดีกว่านั้นก็คิดเสียเมื่อไหร่การตัดสินใจแบบ C4.5 ขั้นตอนวิธีต้นไม้ใช้เป็นลักษณนาม นี้มาจากความจริงที่ว่าปลอดภัยระดับโจมตีให้ดีกว่าตัวอย่างชุดข้อมูล . แต่ละตัวอย่างถูกสร้างขึ้นสังเคราะห์ในตำแหน่งที่ปลอดภัย โดยพิจารณาอัตราส่วนปลอดภัยระดับของกรณี ในทางตรงกันข้ามเสียด้วยเส้นก็อาจจะสร้างอินสแตนซ์และสังเคราะห์ในสถานที่ไม่เหมาะสมภูมิภาคและภูมิภาค เช่น เสียงซ้อนกัน เราสามารถสรุปได้ว่า อินสแตนซ์สังเคราะห์สร้างขึ้นในตำแหน่งที่ปลอดภัยสามารถปรับปรุงประสิทธิภาพของคำทำนายในชนกลุ่มน้อยชนชั้นถึงแม้ว่าผลการทดลองได้ให้หลักฐานที่ระดับเซฟตีสามารถประสบความสำเร็จจัดตัวเลขข้อมูลในระดับสมดุล ปัญหา มีอนาคตหลายงานแล้วต้องศึกษาในบรรทัดของงานวิจัยนี้ ก่อน ความหมายต่างกันการกำหนดระดับปลอดภัยได้คุณค่า ประการที่สอง วิธีการจำแนกข้อมูลเพิ่มเติมซึ่งมีคุณลักษณะ ซึ่งเป็นประโยชน์ ประการที่สาม การกำหนดโดยอัตโนมัติของจํานวนจากกรณีที่สร้างขึ้นโดยระดับที่ปลอดภัยก็ควรจะ addressed