In this paper, we propose a novel a

In this paper, we propose a novel adaptive learning algorithm
ADASYN for imbalanced data classification problems.
Based on the original data distribution, ADASYN can
adaptively generate synthetic data samples for the minority
class to reduce the bias introduced by the imbalanced data
distribution. Further more, ADASYN can also autonomously
shift the classifier decision boundary to be more focused on
those difficult to learn examples, therefore improving learning
performance. These two objectives are accomplished by a
dynamic adjustment of weights and an adaptive learning
procedure according to data distributions. Simulation results
on five data sets based on various evaluation metrics show the
effectiveness of this method.
Imbalanced learning is a challenging and active research
topic in the artificial intelligence, machine learning, data
mining and many related areas. We are currently investigating
various issues, such as multiple classes imbalanced learning
and incremental imbalanced learning. Motivated by the results
in this paper, we believe that ADASYN may provide a
powerful method in this domain.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เราได้เสนอขั้นตอนการเรียนรู้ปรับตัวนวนิยายADASYN สำหรับปัญหาการจัดประเภทข้อมูลขาดดุลจากการกระจายข้อมูลเดิม ADASYN สามารถสังเคราะห์ข้อมูลตัวอย่างสำหรับส่วนน้อยที่สร้างอย่างเหมาะสมชั้นเพื่อลดอคติจากการขาดดุลการกระจายงาน เพิ่มเติม ADASYN ได้ยังอย่างอิสระเปลี่ยนขอบเขตการตัดสินใจลักษณนามกับเน้นที่ยากต่อการเรียนรู้ดังนั้น การปรับปรุงการเรียนรู้ ตัวอย่างการทำงาน วัตถุประสงค์เหล่านี้สองสามารถทำได้โดยการการปรับปรุงแบบไดนามิกของน้ำหนักและการเรียนรู้การปรับตัวขั้นตอนตามการกระจายของข้อมูล ผลการทดลองบนชุดข้อมูลห้าอิงเกณฑ์ชี้วัดการประเมินต่าง ๆ แสดงการประสิทธิผลของวิธีการนี้การเรียนรู้ขาดดุลเป็นการท้าทาย และงานวิจัยหัวข้อในปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง ข้อมูลเหมืองแร่และสาขาที่เกี่ยวข้อง เรากำลังตรวจสอบปัญหาต่าง ๆ เช่นการขาดดุลการเรียนหลายระดับชั้นและการเรียนรู้ขาดดุลเพิ่มขึ้น แรงจูงใจจากผลการในกระดาษนี้ เราเชื่อว่า อาจให้ ADASYN เป็นวิธีที่มีประสิทธิภาพในโดเมนนี้

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรานำเสนอนวนิยายปรับตัวเรียนรู้ขั้นตอนวิธีการ
ADASYN สำหรับปัญหาการจัดหมวดหมู่ข้อมูลที่ไม่สมดุล.
อยู่บนพื้นฐานของการกระจายข้อมูลเดิม ADASYN สามารถ
ปรับเปลี่ยนสร้างตัวอย่างข้อมูลสังเคราะห์สำหรับชนกลุ่มน้อย
ระดับเพื่อลดอคตินำโดยข้อมูลที่ไม่สมดุล
กระจาย นอกจากนี้ยังสามารถ ADASYN ตนเอง
เปลี่ยนขอบเขตการตัดสินใจลักษณนามที่จะเน้นมากขึ้นใน
ผู้ที่ยากที่จะเรียนรู้ตัวอย่างจึงปรับปรุงการเรียนรู้
ผลการดำเนินงาน สองคนนี้มีวัตถุประสงค์ที่ประสบความสำเร็จโดย
การปรับแบบไดนามิกของน้ำหนักและเรียนรู้การปรับ
ขั้นตอนตามการกระจายข้อมูล ผลการจำลอง
ในห้าชุดข้อมูลขึ้นอยู่กับการประเมินผลตัวชี้วัดต่าง ๆ แสดงให้เห็นถึง
ประสิทธิภาพของวิธีการนี้.
การเรียนรู้ที่ไม่สมดุลเป็นงานวิจัยที่มีความท้าทายและการใช้งาน
ในหัวข้อปัญญาประดิษฐ์การเรียนรู้เครื่องข้อมูล
การทำเหมืองแร่และพื้นที่ที่เกี่ยวข้องจำนวนมาก ขณะนี้เรากำลังตรวจสอบ
ปัญหาต่างๆเช่นการเรียนรู้หลายชั้นเรียนขาดดุล
และการเรียนรู้ขาดดุลเพิ่มขึ้น แรงบันดาลใจจากผล
ในบทความนี้เราเชื่อว่า ADASYN อาจจัดให้มี
วิธีการที่มีประสิทธิภาพในโดเมนนี้

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราเสนอนวนิยายการเรียนรู้ขั้นตอนวิธีadasyn สำหรับปัญหาการจำแนกประเภทข้อมูลไม่สมดุล .ตามข้อมูลเดิม adasyn สามารถสร้างตามที่ตัวอย่างข้อมูลสังเคราะห์สำหรับชนกลุ่มน้อยชั้นเรียนเพื่อลดอคตินำโดยข้อมูลไม่สมดุลการกระจายสินค้า เพิ่มเติม adasyn สามารถอัตโนมัติกะขนาดขอบเขตจะเน้นมากขึ้นในการตัดสินใจนั้นยากที่จะเรียนรู้ตัวอย่าง ดังนั้น การพัฒนาการเรียนรู้ผลการปฏิบัติงาน วัตถุประสงค์เหล่านี้สองจะสำเร็จโดยการปรับแบบไดนามิกของน้ำหนักและการเรียนรู้ขั้นตอนตามการแจกแจงข้อมูล ผลการจำลอง5 ชุดข้อมูลตามตัวชี้วัดการประเมินต่าง ๆแสดงประสิทธิผลของวิธีการนี้สมดุลการเรียนรู้เป็นสิ่งที่ท้าทายและใช้งานวิจัยการเรียนรู้ของเครื่องหัวข้อในปัญญาประดิษฐ์ ข้อมูลเหมืองแร่และหลายสาขาที่เกี่ยวข้อง เรากำลังสืบสวนต่างๆ เช่น สอนหลายชั้นเรียนสมดุลสมดุลและเพิ่มการเรียนรู้ . แรงบันดาลใจ จากผลในกระดาษนี้เราเชื่อว่า adasyn อาจให้วิธีที่มีประสิทธิภาพในการ โดเมนนี้