When applying machine learning to r

When applying machine learning to real world classification
problems two complications that often arise are imbalanced
classes (one class occurs much more often than the
other (Kubat, Holte, & Matwin 1998; Ezawa, Singh, & Norton
1996; Fawcett & Provost 1996)) and asymmetric misclassification
costs (the cost of misclassifying an example
from one class is much larger than the cost of misclassifying
an example from the other class (Domingos 1999;
Pazzani et al. 1997)). Traditional learning algorithms,
which aim to maximize accuracy, treat positive and negative
examples as equally important and therefore do not always
produce a satisfactory classifier under these conditions. Furthermore,
in these circumstances accuracy is not an appropriate
measure of classifier performance (Provost, Fawcett,
& Kohavi 1998). Class imbalance and asymmetric misclassification
costs are related to one another. One way to counteract
imbalance is to raise the cost of misclassifying the minority
class. Conversely one way to make an algorithm cost
sensitive is to intentionally imbalance the training set

ผลลัพธ์ (ไทย) 1:

เมื่อใช้เครื่องเรียนรู้กับโลกจริงประเภทปัญหาที่ 2 ภาวะแทรกซ้อนที่มักจะเกิดขึ้นมี imbalancedชั้น (ชั้นเกิดขึ้นมากมายมักจะมากกว่าอื่น ๆ (Kubat, Holte และ Matwin ปี 1998 Ezawa สิงห์ และ Nortonปี 1996 Fawcett และ Provost 1996)) และ asymmetric misclassificationต้นทุน (ต้นทุนของ misclassifying ตัวอย่างจากชั้นหนึ่งมีขนาดใหญ่กว่าต้นทุนของ misclassifyingตัวอย่างจากอื่นคลาส (Domingos 1999Pazzani et al. 1997)) อัลกอริทึมการเรียนรู้แบบดั้งเดิมซึ่งจุดมุ่งหมายเพื่อเพิ่มความแม่นยำ รักษาค่าบวก และค่าลบตัวอย่างเท่า ๆ กันเป็นสำคัญจึง ทำไม่เสมอผลิต classifier พอภายใต้เงื่อนไขเหล่านี้ นอกจากนี้ในสถานการณ์เหล่านี้ ความถูกต้องไม่ใช่ที่เหมาะสมวัดประสิทธิภาพ classifier (Provost, Fawcettและ Kohavi ปี 1998) ความไม่สมดุลของระดับชั้นและ asymmetric misclassificationต้นทุนที่เกี่ยวข้องอื่น วิธีหนึ่งที่จะถอนความไม่สมดุลจะเพิ่มต้นทุนของ misclassifying ที่ชนกลุ่มน้อยคลา ในทางกลับกันทางเดียวจะทำให้อัลกอริทึมการต้นทุนสำคัญคือการสมดุลตั้งใจฝึกตั้ง

ผลลัพธ์ (ไทย) 2:

เมื่อใช้เครื่องเรียนรู้ที่จะจัดหมวดหมู่โลกแห่งความจริงปัญหาที่สองภาวะแทรกซ้อนที่มักจะเกิดขึ้นเป็นขาดดุลเรียน(ชั้นหนึ่งเกิดขึ้นบ่อยครั้งมากขึ้นกว่าที่อื่น ๆ (Kubat, Holte และ Matwin 1998; Ezawa ซิงห์และนอร์ตัน 1996; Fawcett และพระครู 1996)) และไม่สมมาตรจำแนกค่าใช้จ่าย(ค่าใช้จ่ายของ misclassifying ตัวอย่างจากชั้นหนึ่งมีขนาดใหญ่กว่าค่าใช้จ่ายของmisclassifying ตัวอย่างจากชั้นอื่น ๆ (Domingos 1999; Pazzani et al, 1997).) ขั้นตอนวิธีการเรียนรู้แบบดั้งเดิมซึ่งมีจุดมุ่งหมายเพื่อเพิ่มความถูกต้อง, การรักษาบวกและลบตัวอย่างที่สำคัญอย่างเท่าเทียมกันและดังนั้นจึงไม่เคยผลิตลักษณนามที่น่าพอใจภายใต้เงื่อนไขเหล่านี้ นอกจากนี้ในความถูกต้องเหล่านี้สถานการณ์ไม่ได้เป็นที่เหมาะสมชี้ประสิทธิภาพลักษณนาม(พระครู Fawcett, และ Kohavi 1998) ความไม่สมดุลของการเรียนและไม่สมมาตรจำแนกค่าใช้จ่ายที่เกี่ยวข้องกับอีกคนหนึ่ง วิธีการหนึ่งที่จะรับมือกับความไม่สมดุลคือการเพิ่มค่าใช้จ่ายของผู้ถือหุ้นส่วนน้อย misclassifying ที่ระดับ ตรงกันข้ามวิธีหนึ่งที่จะทำให้ค่าใช้จ่ายขั้นตอนวิธีการที่มีความสำคัญคือการรู้เท่าทันความไม่สมดุลของการฝึกอบรมชุด

ผลลัพธ์ (ไทย) 3:

เมื่อใช้เครื่องเรียนรู้โลกจริงหมวดหมู่
ปัญหาสองภาวะแทรกซ้อนที่มักเกิดขึ้นเป็น imbalanced
เรียน ( Class หนึ่งเกิดขึ้นมากบ่อยกว่า
( kubat holte , & matwin , 1998 ; ezawa ซิงห์ & Norton
, 1996 ; ฟอว์เซตต์&พระครู 1996 ) และค่าใช้จ่าย ( ต้นทุนของการผิดพลาด
misclassifying ตัวอย่าง
ห้องหนึ่งมีขนาดใหญ่กว่าต้นทุนของ misclassifying
ตัวอย่างจากห้องอื่น ( โดมิงโกส ปี 1999 ;
pazzani et al . 1997 ) อัลกอริทึมการเรียนรู้แบบดั้งเดิม , ซึ่งมีจุดมุ่งหมายเพื่อเพิ่มความถูกต้อง

รักษาบวกและลบตัวอย่างที่สำคัญอย่างเท่าเทียมกันและดังนั้นจึงไม่ได้เสมอ
ผลิตเป็นที่น่าพอใจ ลักษณนามภายใต้เงื่อนไขเหล่านี้ นอกจากนี้
ในสถานการณ์เหล่านี้มีความถูกต้อง ไม่ใช่มาตรการที่เหมาะสมในการปฏิบัติตัว ( พระครู
,
& kohavi ฟอว์เซตต์ , 1998 ) ความไม่สมดุลของชั้นเรียนและค่าใช้จ่ายผิดพลาด
อสมมาตรเกี่ยวข้องกับอีกคนหนึ่ง วิธีหนึ่งในการต่อสู้กับ
ความไม่สมดุลจะเพิ่มค่าใช้จ่ายของ misclassifying ส่วนน้อย
เรียน ในทางกลับกัน วิธีหนึ่งที่จะทำให้ขั้นตอนวิธีต้นทุน
ที่สําคัญคือการจงใจไม่สมดุล ชุดฝึกอบรม