B. Evaluation metrics for imbalance

B. Evaluation metrics for imbalanced data sets
Instead of using the overall classification accuracy as a
single evaluation criterion, we use a set of assessment metrics
related to receiver operating characteristics (ROC) graphs [31]
to evaluate the performance of ADASYN algorithm. We use
ROC based evaluation metrics because under the imbalanced
learning condition, traditional overall classification accuracy
may not be able to provide a comprehensive assessment
of the observed learning algorithm [17] [31] [32] [33] [6]
[34] [16]. Let {p, n} be the positive and negative testing
examples and {Y,N} be the classification results given by
a learning algorithm for positive and negative predictions. A
representation of classification performance can be formulated
by a confusion matrix (contingency table) as illustrated in
Fig. 2. We followed the suggestions of [15] [34] and use the
minority class as the positive class and majority class as the
negative class.

ผลลัพธ์ (ไทย) 1:

ข.วัดประเมินชุดข้อมูลที่ขาดดุลแทนที่จะใช้ความแม่นยำในการจำแนกโดยรวมเป็นการเกณฑ์การประเมินเดียว เราใช้ชุดของตัวชี้วัดการประเมินที่เกี่ยวข้องกับรับงานกราฟลักษณะ (ROC) [31]การประเมินประสิทธิภาพการทำงานของอัลกอริทึม ADASYN เราใช้ROC คะแนนวัดผลประเมินผลเนื่องจากภายใต้การขาดดุลสภาพการเรียนรู้ แบบดั้งเดิมโดยรวมการจัดประเภทความแม่นยำอาจไม่สามารถที่จะให้มีการประเมินที่ครอบคลุมการสังเกตการเรียนรู้อัลกอริทึม [17] [31] [32] [33] [6][34] [16] ให้ {p, n } เป็นบวก และลบการทดสอบตัวอย่างและ {Y, N } ได้รับผลการจัดประเภทโดยอัลกอริทึมการเรียนรู้สำหรับการคาดการณ์บวก และลบ Aสามารถใช้สูตรแทนการจำแนกประสิทธิภาพของโดยอาศัยความสับสน (ฉุกเฉินตาราง) ดังที่แสดงในรูป 2 เราทำตามคำแนะนำ [15] [34] และใช้การคลาสและส่วนน้อยเป็นบวกและชั้นส่วนใหญ่เป็นการชั้นลบ

ผลลัพธ์ (ไทย) 2:

ตัวชี้วัดการประเมินผลบีสำหรับชุดข้อมูลขาดดุล
แทนการใช้ความถูกต้องจำแนกโดยรวมเป็น
เกณฑ์การประเมินผลเดียวเราใช้ชุดของตัวชี้วัดการประเมิน
ที่เกี่ยวข้องกับผู้รับลักษณะการดำเนินงาน (ROC) กราฟ [31]
ในการประเมินประสิทธิภาพการทำงานของอัลกอริทึม ADASYN เราใช้
ตัวชี้วัดการประเมินผล ROC ตามเพราะภายใต้การขาดดุล
สภาพการเรียนรู้ที่ถูกต้องจำแนกโดยรวมแบบดั้งเดิม
อาจจะไม่สามารถที่จะให้การประเมินที่ครอบคลุม
ของขั้นตอนวิธีการเรียนรู้สังเกต [17] [31] [32] [33] [6]
[34] [ 16] Let {p, n} จะทดสอบบวกและลบ
ตัวอย่างและ {Y, N} เป็นผลการจัดหมวดหมู่ที่กำหนดโดย
ขั้นตอนวิธีการเรียนรู้สำหรับการคาดการณ์ในเชิงบวกและเชิงลบ
ตัวแทนของผลการดำเนินงานการจัดหมวดหมู่ได้สูตร
จากความสับสนเมทริกซ์ (ตารางฉุกเฉิน) ดังแสดงใน
รูปที่ 2. เราตามข้อเสนอแนะของ [15] [34] และใช้
ชั้นชนกลุ่มน้อยที่เป็นบวกและระดับชั้นส่วนใหญ่เป็น
ระดับที่เป็นลบ