At the data level, different forms

At the data level, different forms of re-sampling methods were proposed [1]. The
simplest re-sampling methods are random over-sampling and random under-sampling.
The former augments the minority class by exactly duplicating the examples of the
minority class, while the latter randomly takes away some examples of the majority
class. However, random over-sampling may make the decision regions of the learner
smaller and more specific, thus cause the learner to over-fit. Random under-sampling
can reduce some useful information of the data sets. Many improved re-sampling
methods are thus presented, such as heuristic re-sampling methods, combination of
over-sampling and under-sampling methods, embedding re-sampling methods into
data mini

ผลลัพธ์ (ไทย) 1:

ที่ระดับข้อมูล รูปแบบต่าง ๆ วิธีการสุ่มตัวอย่างใหม่ได้เสนอ [1] การง่ายที่สุดวิธีการสุ่มตัวอย่างใหม่มากกว่าการสุ่มและสุ่มตัวอย่างน้อยอดีต augments คลาชนก โดยตรงทำซ้ำในตัวอย่างของการชนกลุ่มน้อยชั้น ในขณะที่หลังแบบสุ่มใช้เก็บตัวอย่างส่วนใหญ่ชนชั้น อย่างไรก็ตาม การสุ่มมากเกินไปอาจทำให้ภูมิภาคตัดสินใจของผู้เรียนมีขนาดเล็ก และเฉพาะ เจาะจงมากขึ้น จึง ทำให้ผู้เรียนมากเกินพอดี สุ่มตัวอย่างน้อยสามารถลดข้อมูลที่เป็นประโยชน์ของชุดข้อมูล หลายการปรับปรุงใหม่มีการสุ่มตัวอย่างวิธีทำนำเสนอ เช่นพฤติกรรมวิธีการ sampling รวมมากกว่าการสุ่มตัวอย่างและการสุ่มตัวอย่างน้อยวิธี วิธีการ sampling เป็นการฝังข้อมูล mini

ผลลัพธ์ (ไทย) 2:

ในระดับข้อมูลในรูปแบบที่แตกต่างกันในวิธีการใหม่สุ่มตัวอย่างถูกเสนอ [1]
ง่ายวิธีการใหม่ของการสุ่มตัวอย่างแบบสุ่มมากกว่าการสุ่มตัวอย่างและการสุ่มภายใต้การสุ่มตัวอย่าง.
อดีต augments ชั้นชนกลุ่มน้อยโดยการทำซ้ำว่าตัวอย่างของ
ระดับของชนกลุ่มน้อยในขณะที่หลังจะไปสุ่มตัวอย่างบางส่วนของคนส่วนใหญ่
ในชั้นเรียน อย่างไรก็ตามสุ่มมากกว่าการสุ่มตัวอย่างอาจทำให้ภูมิภาคการตัดสินใจของผู้เรียน
ที่มีขนาดเล็กและเฉพาะเจาะจงมากขึ้นจึงทำให้เกิดการเรียนรู้ที่จะเกินพอดี สุ่มภายใต้การสุ่มตัวอย่าง
สามารถลดข้อมูลที่เป็นประโยชน์บางส่วนของข้อมูลชุด หลายคนที่ดีขึ้นอีกครั้งสุ่มตัวอย่าง
วิธีการที่นำเสนอจึงเช่นวิธีการสุ่มตัวอย่างใหม่แก้ปัญหาการรวมกันของ
วิธีการมากกว่าการสุ่มตัวอย่างและอยู่ภายใต้การสุ่มตัวอย่างฝังวิธีการสุ่มตัวอย่างใหม่ลงใน
มินิข้อมูล

ผลลัพธ์ (ไทย) 3:

ที่ระดับข้อมูลรูปแบบต่าง ๆเป็นวิธีสุ่มตัวอย่างแบบ [ 1 ] ที่ที่ง่ายที่สุดและวิธีสุ่มไปสุ่มเป็นแบบในตัวอย่างอดีต augments ส่วนน้อยชั้นเรียนโดยตรงโดยไม่จำเป็นตัวอย่างของเรียนน้อย ในขณะที่หลังสุ่มเอาตัวอย่างบางส่วนของคนส่วนใหญ่เรียน อย่างไรก็ตาม สุ่มไปสุ่มอาจตัดสินใจภูมิภาคของผู้เรียนขนาดเล็กและเฉพาะเจาะจงมากขึ้น จึงทำให้ผู้เรียนจบพอดี ตัวอย่างสุ่มภายใต้สามารถลดข้อมูลที่เป็นประโยชน์บางอย่างของข้อมูลชุด หลายๆคนกำลังปรับปรุงจึงเสนอวิธี เช่น วิธีฮิวริสติก Re ) , การรวมกันของกว่าคน และภายใต้วิธีการสุ่มตัวอย่าง จำนวนวิธีในการฝังอีกครั้งมินิข้อมูล