In order to achieve better predicti

In order to achieve better prediction, most of the classification algorithms attempt to
learn the borderline of each class as exactly as possible in the training process. The
examples on the borderline and the ones nearby (we call them borderline examples in
this paper) are more apt to be misclassified than the ones far from the borderline, and
thus more important for classification.
Based on the analysis above, those examples far from the borderline may contribute
little to classification. We thus present two new minority over-sampling methods,
borderline-SMOTE1 and borderline-SMOTE2, in which only the borderline examples
of the minority class are over-sampled. Our methods are different from the existing
over-sampling methods in which all the minority examples or a random subset of the
minority class are over-sampled [1] [2] [12].
Our methods are based on SMOTE (Synthetic Minority Over-sampling Technique)
[12]. SMOTE generates synthetic minority examples to over-sample the minority
class. For every minority example, its k (which is set to 5 in SMOTE) nearest
neighbors of the same class are calculated, then some examples are randomly selected
from them according to the over-sampling rate. After that, new synthetic examples are
generated along the line between the minority example and its selected nearest
neighbors. Not like the existing over-sampling methods, our methods only oversample
or strengthen the borderline minority examples. First, we find out the border

ผลลัพธ์ (ไทย) 1:

เพื่อให้การทำนายที่ดีกว่า ส่วนใหญ่ของอัลกอริทึมการจำแนกประเภทพยายามเส้นขอบของแต่ละชั้นเรียนรู้ว่าเป็นไปได้ในการฝึกอบรม การตัวอย่างเส้นขอบและคนใกล้เคียง (เราเรียกว่าเส้นขอบตัวอย่างในกระดาษนี้) มีแนวโน้มมากที่จะได้งานมากกว่าคนที่ไกลเส้นขอบ และจึงสำคัญมากสำหรับการจัดประเภทจากการวิเคราะห์ข้างต้น ตัวอย่างเหล่านั้นอยู่ห่างจากเส้นเขตแดนอาจทำน้อยจะจัดประเภท เราจึงนำเสนอสองใหม่ชนกสุ่มมากกว่าวิธีแดน SMOTE1 และแดน SMOTE2 ซึ่งเฉพาะตัวอย่างเส้นขอบของชนกลุ่มน้อยที่ ชั้นมีตัวอย่างมากกว่า วิธีของเราจะแตกต่างจากที่มีอยู่สุ่มตัวอย่างวิธีการซึ่งทั้งหมดส่วนน้อยเกินตัวอย่างหรือชุดย่อยสุ่มของการประเภทชนกลุ่มน้อยเป็นตัวอย่างมากกว่า [1] [2] [12]วิธีของเราเป็นไปตาม SMOTE (สังเคราะห์เทคนิคการสุ่มตัวอย่างมากกว่าชนกลุ่มน้อย)[12] . SMOTE สร้างสังเคราะห์ชนกลุ่มน้อยอย่างเกินตัวอย่างส่วนน้อยชนชั้น ตัวอย่างเช่นชนกลุ่มน้อยทุก k ของมัน (ซึ่งถูกตั้งค่าเป็น 5 ใน SMOTE) ที่ใกล้ที่สุดคำนวณเพื่อนบ้านชั้นเดียว แล้วสุ่มเลือกตัวอย่างจากพวกเขาตามอัตราการสุ่มตัวอย่างมากกว่า หลังจากนั้น มีตัวอย่างที่สังเคราะห์ใหม่สร้างขึ้นตามแนวระหว่างตัวอย่างส่วนน้อยที่เลือกที่ใกล้ที่สุดเพื่อนบ้าน ไม่ชอบวิธีการสุ่มตัวอย่างมากกว่าที่มีอยู่ วิธีการของเราเท่านั้น oversampleหรือเสริมสร้างตัวอย่างส่วนน้อยเส้นขอบ ครั้งแรก เราค้นหาเส้นขอบ

ผลลัพธ์ (ไทย) 2:

เพื่อให้บรรลุการทำนายที่ดีขึ้นมากที่สุดของขั้นตอนวิธีการจัดหมวดหมู่ความพยายามที่จะ
เรียนรู้เส้นเขตแดนของแต่ละชั้นเรียนเป็นว่าเป็นไปได้ในกระบวนการฝึกอบรม
ตัวอย่างในเส้นเขตแดนและคนที่อยู่บริเวณใกล้เคียง (เราเรียกพวกเขาตัวอย่างเส้นเขตแดนใน
บทความนี้) มีแนวโน้มมากขึ้นที่จะแบ่งกว่าคนที่ห่างไกลจากชายแดนและ
จึงสำคัญมากขึ้นสำหรับการจำแนก.
จากการวิเคราะห์ข้างต้นตัวอย่างเหล่านั้นห่างไกลจาก เส้นเขตแดนอาจมีส่วน
น้อยที่จะจัดหมวดหมู่ เราจึงนำเสนอสองชนกลุ่มน้อยที่ใหม่กว่าวิธีการสุ่มตัวอย่าง
เส้นเขตแดน-SMOTE1 และเส้นเขตแดน-SMOTE2 ซึ่งมีเพียงตัวอย่างเส้นเขตแดน
ของชั้นชนกลุ่มน้อยที่มีมากกว่าตัวอย่าง วิธีการของเราจะแตกต่างจากที่มีอยู่
วิธีการมากกว่าการสุ่มตัวอย่างที่ทุกตัวอย่างที่ชนกลุ่มน้อยหรือกลุ่มย่อยสุ่มของ
ชั้นชนกลุ่มน้อยจะมากกว่าตัวอย่าง [1] [2] [12].
วิธีการของเราอยู่บนพื้นฐานของประหาร (สังเคราะห์เสียงข้างน้อยเกิน เทคนิคการสุ่มตัวอย่าง)
[12] ประหารสร้างตัวอย่างของชนกลุ่มน้อยสังเคราะห์มากกว่าตัวอย่างชนกลุ่มน้อย
ระดับ ยกตัวอย่างเช่นชนกลุ่มน้อยทุกค่า K (ซึ่งเป็นชุดที่ 5 ในการฆ่าฟัน) ที่ใกล้ที่สุด
เพื่อนบ้านของชั้นเดียวกันมีการคำนวณแล้วตัวอย่างบางส่วนได้รับการคัดเลือกโดยการสุ่ม
จากพวกเขาตามอัตรามากกว่าการสุ่มตัวอย่าง หลังจากนั้นตัวอย่างสังเคราะห์ใหม่จะถูก
สร้างขึ้นตามแนวระหว่างตัวอย่างเช่นชนกลุ่มน้อยและเลือกที่ใกล้ที่สุดของ
ประเทศเพื่อนบ้าน ไม่ชอบที่มีอยู่มากกว่าการสุ่มตัวอย่างวิธีการวิธีการของเราเท่านั้น oversample
หรือเสริมสร้างตัวอย่างของชนกลุ่มน้อยชายแดน ครั้งแรกที่เราหาชายแดน

ผลลัพธ์ (ไทย) 3:

เพื่อให้บรรลุผลที่ดีที่สุดของขั้นตอนวิธีการทำนาย การ พยายาม ที่ จะเรียนรู้ขอบเขตของแต่ละชั้นเป็นอย่างที่เป็นไปได้ในกระบวนการฝึกอบรม ที่ตัวอย่างของเส้นและที่ใกล้เคียง ( เราเรียกว่าเส้นตัวอย่างกระดาษนี้ ) มีมากขึ้น apt เพื่อให้ misclassified กว่าอยู่ไกลจากเส้นและจึงสำคัญสำหรับการจำแนกประเภทจากการวิเคราะห์ข้างต้น ตัวอย่างผู้ห่างไกลจากชายแดนอาจมีส่วนร่วมเล็ก ๆน้อย ๆเพื่อการจำแนก เราจึงนำเสนอสองชนกลุ่มน้อยมาใหม่วิธีการสุ่มตัวอย่างและ borderline-smote1 borderline-smote2 , ซึ่งมีเพียงเส้นตัวอย่างของชนกลุ่มน้อยชนชั้นมากกว่าตัวอย่าง . วิธีการของเราจะแตกต่างจากเดิมกว่าคนวิธีการที่ทุกส่วนน้อยหรือส่วนย่อยของตัวอย่างสุ่มชนกลุ่มน้อยชนชั้นมากกว่าตัวอย่าง [ 1 ] [ 2 ] [ 12 ]วิธีการของเราจะขึ้นอยู่กับคนส่วนน้อย ( สังเคราะห์มากกว่าเทคนิคการสุ่มตัวอย่าง[ 12 ] ทรงสร้างตัวอย่างส่วนน้อยสังเคราะห์กว่าตัวอย่างส่วนน้อยเรียน สำหรับทุกส่วนน้อยตัวอย่างของ K ( ซึ่งเป็นชุดที่ 5 ในฟัน ) ที่ใกล้ที่สุดเพื่อนบ้านของคลาสเดียวกันได้ แล้วบางตัวอย่างสุ่มจากพวกเขาตามทาง 3 อัตรา หลังจากนั้น ตัวอย่างที่สังเคราะห์ใหม่สร้างขึ้นตามแนวเส้นระหว่างชนกลุ่มน้อยตัวอย่างและเลือกที่ใกล้ที่สุดเพื่อนบ้าน ไม่เหมือนที่มีอยู่ผ่านการสุ่มตัวอย่าง วิธีการ oversample ของเราเท่านั้นหรือเสริมสร้างเส้นน้อยตัวอย่าง ก่อนอื่นเราหาชายแดน