Re-sampling is a preprocessing tech

Re-sampling is a preprocessing technique which adjusting the distribution of an imbalanced
dataset until it is nearly balanced, before feeding it into any classifiers. The
simplest re-sampling techniques are a random over-sampling technique [14] and a
random under-sampling technique [14]. The former randomly duplicates positive
instances into a minority class, while the latter randomly removes negative instances
from a majority class. Both techniques are sampling the dataset until the classes are
approximately equally represented. However, the random over-sampling technique
may cause the overfitting problem [19] because the technique may create the decision
regions smaller and more specific. The random under-sampling technique encounters
the problem that diminishing some important information of a dataset. For handling
these problems, improved re-sampling techniques were studied and are described as
follows.

ผลลัพธ์ (ไทย) 1:

สุ่มตัวอย่างใหม่เป็นเทคนิคเบื้องซึ่งการปรับการกระจายของการขาดดุลชุดข้อมูลจนกว่ามันจะเกือบสมดุล ก่อนป้อนเข้าสู่คำหลักภาษาใด ๆ การเทคนิคการ sampling ที่ง่ายที่สุดคือ เทคนิคการสุ่มตัวอย่างมากกว่า [14] และเทคนิคการสุ่มน้อย [14] อดีตซ้ำสุ่มบวกอินสแตนซ์ในระดับน้อย ในขณะที่หลังสุ่มเอาอินสแตนซ์ที่เป็นค่าลบจากคลาส่วนใหญ่ เทคนิคทั้งสองจะสุ่มตัวอย่างชุดข้อมูลจนกว่าจะเรียนประมาณเท่า ๆ กันแทน อย่างไรก็ตาม เทคนิคการสุ่มตัวอย่างมากกว่าอาจทำให้เกิดปัญหา overfitting [19] เนื่องจากเทคนิคอาจสร้างการตัดสินใจภูมิภาคที่มีขนาดเล็ก และเฉพาะเจาะจงมากขึ้น พบเทคนิคการสุ่มตัวอย่างน้อยปัญหาข้อมูลสำคัญบางอย่างของชุดข้อมูลที่ลดลง สำหรับการจัดการปัญหาเหล่านี้ เทคนิค sampling ใหม่การปรับปรุงที่มีศึกษา และอธิบายว่าต่อไปนี้

ผลลัพธ์ (ไทย) 2:

Re-สุ่มตัวอย่างเป็นเทคนิคการประมวลผลเบื้องต้นซึ่งการปรับการกระจายของขาดดุล
ชุดข้อมูลจนกว่าจะมีเกือบสมดุลก่อนที่จะให้อาหารมันเข้าไปในลักษณนามใด ๆ
ง่ายเทคนิคใหม่การสุ่มตัวอย่างเป็นแบบสุ่มมากกว่าการสุ่มตัวอย่างเทคนิค [14] และ
สุ่มเทคนิคภายใต้การสุ่มตัวอย่าง [14] อดีตสุ่มซ้ำกันในเชิงบวก
กรณีในชั้นเรียนเป็นชนกลุ่มน้อยในขณะที่หลังการสุ่มเอากรณีเชิงลบ
จากชั้นส่วนใหญ่ เทคนิคทั้งสองจะสุ่มตัวอย่างชุดจนเรียนจะ
คิดเป็นประมาณเท่า ๆ กัน อย่างไรก็ตามการสุ่มเทคนิคมากกว่าการสุ่มตัวอย่าง
อาจก่อให้เกิดปัญหาอิง [19] เพราะเทคนิคอาจสร้างการตัดสินใจของ
ภูมิภาคที่มีขนาดเล็กและเฉพาะเจาะจงมากขึ้น สุ่มเทคนิคภายใต้การสุ่มตัวอย่างพบ
ปัญหาที่ลดน้อยลงข้อมูลสำคัญบางอย่างของชุดข้อมูล สำหรับการจัดการ
ปัญหาเหล่านี้ดีขึ้นอีกครั้งเทคนิคการสุ่มตัวอย่างการศึกษาและได้รับการอธิบายว่า
ต่อไปนี้

ผลลัพธ์ (ไทย) 3:

ตัวอย่างจะเป็นเทคนิคที่ติดกันซึ่งปรับการกระจายของสมดุลข้อมูลจนเกือบสมดุล ก่อนที่จะให้อาหารมันเป็นลักษณนาม ที่ที่ง่ายที่สุดคือ เทคนิคการสุ่มตัวอย่างเป็นแบบสุ่มมากกว่าเทคนิคการสุ่มตัวอย่าง [ 14 ] และสุ่มภายใต้เทคนิคการสุ่มตัวอย่าง [ 14 ] อดีตสุ่มซ้ำบวกกรณีเป็นชนกลุ่มน้อยชนชั้นในขณะที่หลังสุ่มเอาตัวอย่างลบจากส่วนใหญ่ Sample เทคนิคทั้งสองตัวอย่างข้อมูลจนถึงชั้นประมาณเท่า ๆ กันแทน อย่างไรก็ตาม เทคนิคการสุ่มตัวอย่างแบบสุ่มมากกว่าอาจทำให้เกิดปัญหา overfitting [ 19 ] เพราะเทคนิคอาจสร้างการตัดสินใจภูมิภาคที่มีขนาดเล็กและเฉพาะเจาะจงมากขึ้น สุ่มภายใต้การแข่งขันเทคนิคการสุ่มตัวอย่างปัญหาที่ให้ข้อมูลสำคัญบางอย่างของชุดข้อมูล . สำหรับการจัดการปัญหาเหล่านี้ ปรับปรุงเรื่องเทคนิคการสุ่มตัวอย่างศึกษาและอธิบายว่าดังนี้