Researcher: Shuo wang and xin yao

Researcher: Shuo wang and xin yao (2009) [55]
Contribution: Explores the impact and overall performance on imbalanced data sets
Techniques: Using UnderBagging, OverBagging and SMOTEBagging
Achievement Both overall performance (g-mean) and diversity degree have improvement
Researcher: Putthiporn and chidchanok. (2013) [2]
Contribution: The location of separating function in each class is defined only by the boundary data.
Techniques: Using Bootstrapping and AdaBoost neural network.
Achievement Proposed method achieves higher accuracy in both minority and majority classes
Researcher: Seiffert et. Al. (2010) [45]
Contribution: A new hybrid sampling/boosting algorithm
Techniques: Using random undersampling, synthetic minority over-sampling technique Using, and Adaboost
Achievement New method called Rusboost. Rusboost significantly outper-forms SMOTEBoost
Researcher: Dittman et. Al. (2015)[5]
Contribution: Investigation three different options for data sampling (no data sampling, RUS with 35:65 post-sampling class distribu-tion ratio, and 50:50 post-sampling class distribution ratio)
Techniques: Using random undersampling and random forest
Achievement Data sampling does improve the classification performance of random forest
Researcher: José a. Sáez et. Al. (2015) [10]
Contribution: Reduces the noise and makes the class boundaries more reg-ular
Techniques: Using re-sampling method with filtering
Achievement New method called SMOTE–IPF. The SMOTE–IPF per-forms better other re-sampling methods

ผลลัพธ์ (ไทย) 1:

นักวิจัย: Shuo วังและซิยาว (2009) [55]ผลงาน: สำรวจผลกระทบและประสิทธิภาพโดยรวมบนชุดข้อมูลขาดดุลเทคนิค: ใช้ UnderBagging, OverBagging และ SMOTEBaggingบรรลุทั้งประสิทธิภาพโดยรวม (g หมายถึงอะไร) และระดับความหลากหลายมีการปรับปรุงนักวิจัย: Putthiporn และ chidchanok (2013) [2] ผลงาน: สถานที่แยกฟังก์ชั่นในแต่ละชั้นถูกกำหนด โดยขอบเขตข้อมูลเท่านั้นเทคนิค: ใช้โครงข่ายประสาท Bootstrapping และ AdaBoostวิธีการนำเสนอความสำเร็จให้ความแม่นยำสูงในชนกลุ่มน้อยและส่วนใหญ่เรียนนักวิจัย: Seiffert et Al. (2010) [45] ผลงาน: ใหม่ไฮบริดสลีสุ่มตัวอย่างและเพิ่มอัลกอริทึมเทคนิค: ใช้สุ่ม undersampling ชนกลุ่มน้อยสังเคราะห์มากกว่าการสุ่มตัวอย่างเทคนิคการใช้ และ Adaboostเรียกว่า Rusboost วิธีใหม่สำเร็จ Rusboost SMOTEBoost รูปแบบ outper อย่างมีนัยสำคัญนักวิจัย: Dittman et Al. (2015) [5]ผลงาน: การตรวจสอบสามตัวเลือกต่าง ๆ สำหรับข้อมูลสุ่มตัวอย่าง (ไม่มีข้อมูลการสุ่มตัวอย่าง มาตุภูมิ ด้วย 35:65 หลังจากสุ่มตัวอย่างชั้นโดยสารอัตรายภาพ และระดับอัตราส่วนการกระจายการสุ่มตัวอย่างหลัง 50: 50)เทคนิค: ใช้ undersampling แบบสุ่มและสุ่มป่าสุ่มตัวอย่างข้อมูลสำเร็จปรับปรุงประสิทธิภาพการจำแนกป่าสุ่มนักวิจัย: José Sáez a. et Al. (2015) [10] ผลงาน: ช่วยลดเสียง และทำให้ขอบเขตชั้นเพิ่มเติม reg-ularเทคนิค: ใช้วิธีการ sampling ด้วยการกรองเรียกว่า SMOTE – IPF วิธีใหม่สำเร็จ SMOTE – IPF ต่อฟอร์มดีกว่าวิธีการอื่น ๆ อีก sampling

ผลลัพธ์ (ไทย) 2:

นักวิจัย: Shuo วังและซินยาว (2009) [55]
บริจาค: สำรวจผลกระทบและประสิทธิภาพโดยรวมกับข้อมูลที่ไม่สมดุลชุด
เทคนิค: การใช้ UnderBagging, OverBagging และ SMOTEBagging
ความสำเร็จทั้งประสิทธิภาพโดยรวม (G-หมายความว่า) และระดับความหลากหลายมีการปรับปรุง
วิจัย: Putthiporn และชิดชนก (2013) [2]
บริจาค: สถานที่ตั้งของการแยกฟังก์ชั่นในแต่ละชั้นจะถูกกำหนดโดยข้อมูลเขตแดนเท่านั้น
เทคนิค: การใช้และร่วมมือ AdaBoost โครงข่ายประสาทเทียม
ผลสัมฤทธิ์ทางการเรียนวิธีที่นำเสนอประสบความสำเร็จในความถูกต้องสูงทั้งในชนกลุ่มน้อยและส่วนใหญ่เรียน
วิจัย: Seiffert et อัล (2010) [45]
บริจาค: A / ส่งเสริมการขั้นตอนวิธีการสุ่มตัวอย่างไฮบริดใหม่
เทคนิค: การใช้ undersampling สุ่มชนกลุ่มน้อยสังเคราะห์มากกว่าการสุ่มตัวอย่างเทคนิคการใช้และ Adaboost
ความสำเร็จในวิธีการใหม่ที่เรียกว่า Rusboost อย่างมีนัยสำคัญ Rusboost outper รูปแบบ SMOTEBoost
วิจัย: Dittman et อัล (2015) [5]
บริจาค: สืบสวนสามตัวเลือกที่แตกต่างกันสำหรับการสุ่มตัวอย่างข้อมูล (ไม่เก็บข้อมูล, มาตุภูมิมีอัตราส่วนชั้น distribu-การ 35:65 โพสต์การสุ่มตัวอย่างและการโพสต์การสุ่มตัวอย่างอัตราส่วนการกระจายระดับ 50:50)
เทคนิค: การใช้ undersampling สุ่ม และป่าไม้สุ่ม
สุ่มตัวอย่างผลสัมฤทธิ์ทางการเรียนข้อมูลไม่ปรับปรุงประสิทธิภาพการจัดหมวดหมู่ของป่าสุ่ม
วิจัย: โฮเซ่ Sáez et อัล (2015) [10]
สมทบ: ลดเสียงรบกวนและทำให้ขอบเขตการเรียนมากขึ้น REG-ular
เทคนิค: การใช้วิธีการสุ่มตัวอย่างแบบใหม่ที่มีการกรอง
ความสำเร็จในวิธีการใหม่ที่เรียกว่าฆ่าฟัน-IPF ประหาร-IPF ต่อรูปแบบวิธีการใหม่ที่ดีกว่าการสุ่มตัวอย่างอื่น ๆ

ผลลัพธ์ (ไทย) 3:

นักวิจัย : ซั่ววังและซินเหยา ( 2009 ) [ 55 ]ผลงาน : ศึกษาผลกระทบและประสิทธิภาพโดยรวมในชุดข้อมูลไม่สมดุลเทคนิค : การใช้ underbagging overbagging smotebagging , และผลสัมฤทธิ์ทางการเรียน ทั้งผลการดำเนินงาน ( g-mean ) และระดับความหลากหลายมีการปรับปรุงผู้วิจัย : putthiporn และชิดชนก . ( 2013 ) [ 2 ]ผลงาน : สถานที่ตั้งของการแยกการทำงานในแต่ละคลาสจะกำหนดข้อมูลขอบเขตเทคนิค : การใช้และ bootstrapping adaboost ประสาทเครือข่ายวิธีการบรรลุความสำเร็จที่สูงทั้งในชนกลุ่มน้อยและส่วนใหญ่เรียนผู้วิจัย : seiffert et al . ( 2010 ) [ 45 ]ผลงาน : ไฮบริดใหม่ตัวอย่าง / ส่งเสริมขั้นตอนวิธีเทคนิค : การใช้ undersampling ส่วนน้อยกว่าจำนวนสุ่ม , สังเคราะห์โดยใช้เทคนิค และ adaboostเรียนวิธีใหม่ที่เรียกว่า rusboost . rusboost outper รูปแบบ smoteboost อย่างมีนัยสำคัญทางสถิตินักวิจัย : แบบฟอร์ม et al . ( 2015 ) [ 5 ]ผลงาน : การศึกษาที่แตกต่างกันสามตัวเลือกสำหรับข้อมูลตัวอย่าง ( ไม่มีข้อมูลตัวอย่าง รัสกับ 35:65 โพสต์คลาส distribu tion ) และอัตราส่วนอัตราส่วน 50 : 50 โพสต์กระจายห้องตัวอย่าง )เทคนิค : การใช้ undersampling สุ่มสุ่มและป่าผลสัมฤทธิ์ทางการเรียนการวิเคราะห์ข้อมูลจะเพิ่มการสุ่มการแสดงของป่านักวิจัย : โฮเซ A . S . kgm คือ et al . ( 2015 ) [ 10 ]ผลงาน : ลดเสียงรบกวนและทำให้ขอบเขตของชั้น ular เรจเพิ่มเติมRe : การใช้เทคนิควิธีการสุ่มตัวอย่างด้วยการกรองผลสัมฤทธิ์ทางการเรียนและศึกษาวิธีใหม่ที่เรียกว่าตี . การเข้าศึกษาต่อในรูปแบบอื่น ๆโดยวิธีสุ่มตัวอย่างอีกครั้งดีกว่า