Nguyen Thai-Nghe, Andre Busche, and

Nguyen Thai-Nghe, Andre Busche, and Lars Schmidt-Thieme
[2] have applied machine learning techniques to improve the
prediction results of academic performances for two the real
case studies. Three methods have been used to deal with the
class imbalance problem and all of them show satisfactory
results. They first re balanced the datasets and then used both
cost-insensitive and sensitive learning with SVM for the small
datasets and with Decision Tree for the larger datasets. The
models are initially deployed on the local web.

ผลลัพธ์ (ไทย) 1:

เหงียนไทยเงีย Andre Busche และ Lars ชมิดท์-Thieme[2] ได้ใช้เทคนิคการเรียนรู้เครื่องจักรเพื่อปรับปรุงการผลทำนายประสิทธิภาพทางวิชาการสำหรับสองจริงกรณีศึกษาการ ใช้สามวิธีในการจัดการกับการปัญหาความไม่สมดุลของระดับชั้นและพวกเขาทั้งหมดแสดงเป็นที่พอใจผลลัพธ์ที่ พวกเขาก่อน กลับสมดุล datasets และใช้ทั้งสองอย่างตาย ด้านต้นทุน และที่สำคัญการเรียนรู้ ด้วย SVM สำหรับขนาดเล็กdatasets และ ต้นไม้การตัดสินใจสำหรับ datasets ขนาดใหญ่ ที่รุ่นแรกใช้งานบนเว็บท้องถิ่น

ผลลัพธ์ (ไทย) 2:

เหงียนไทย Nghe อังเดร Busche และลาร์ส Schmidt-Thieme
[2] ได้ใช้เทคนิคการเรียนรู้เครื่องเพื่อปรับปรุงผลการทำนายของการแสดงทางวิชาการสำหรับสองจริงกรณีศึกษา สามวิธีการได้ถูกนำมาใช้ในการจัดการกับปัญหาความไม่สมดุลของการเรียนและทั้งหมดของพวกเขาแสดงที่น่าพอใจผล พวกเขาเป็นครั้งแรกอีกครั้งสมดุลชุดข้อมูลและจากนั้นใช้ทั้งการเรียนรู้ค่าใช้จ่ายตายและมีความสำคัญกับ SVM สำหรับขนาดเล็กชุดข้อมูลและต้นไม้การตัดสินใจสำหรับชุดข้อมูลขนาดใหญ่ แบบจำลองจะเริ่มใช้งานบนเว็บท้องถิ่น

ผลลัพธ์ (ไทย) 3:

Nguyen ไทย nghe อังเดร busche และลาร์ส ชมิดท์ ทิม
[ 2 ] ได้ใช้เครื่องเรียนรู้เทคนิคเพื่อปรับปรุง
ผลการทำนายของงานด้านวิชาการ 2 ตัวจริง
กรณีศึกษา สามวิธีมีการใช้เพื่อจัดการกับปัญหาความไม่สมดุล
คลาสและทั้งหมดของพวกเขาแสดงผลลัพธ์ที่น่าพอใจ

พวกเขาเป็นครั้งแรกและจากนั้นใช้ข้อมูลสมดุลทั้ง
ต้นทุนตายด้านและอ่อนไหวแบบ SVM สำหรับข้อมูลขนาดเล็กและต้นไม้
กับการตัดสินใจสำหรับชุดข้อมูลที่มีขนาดใหญ่
รุ่นแรกที่ใช้งานบนเว็บท้องถิ่น