The aim of computational learning a

The aim of computational learning algorithm is to establish grounds that work for any types of data, once
and for all. However, majority of the classifiers have their base from balanced datasets. This paper discusses
the issues related to imbalanced data distribution problem and the common strategy to deal with
imbalance datasets. We propose a model capable of handling imbalance datasets well in which other typical
classifiers fail to do so. The model adopted a derivation of support vector machines in selecting variables
so that the problem of imbalanced data distribution can be relaxed. Then, we used an Emergent
Self-Organizing Map (ESOM) to cluster the ranker features so as to provide clusters for unsupervised classification.
This work progresses by examining the efficiency of the model in evaluating imbalanced datasets.
Experimental results show that the criterion based on weight vector derivative achieves good results
and performs consistently well over imbalance datasets. In general, our approach outperforms other
classification methods which are unable to handle the imbalanced data distribution in the testing
datasets.

ผลลัพธ์ (ไทย) 1:

จุดมุ่งหมายของการเรียนรู้ขั้นตอนวิธีการคำนวณคือการสร้างพื้นที่ที่ทำงานสำหรับประเภทใด ๆ ของข้อมูลอีกครั้ง
และสำหรับทั้งหมด แต่ส่วนใหญ่ของตัวจําแนกมีฐานของพวกเขาจากชุดข้อมูลที่สมดุล บทความนี้กล่าวถึงปัญหา
ที่เกี่ยวข้องกับการขาดดุลปัญหาการกระจายข้อมูลและกลยุทธ์ร่วมกันในการจัดการกับความไม่สมดุลของชุดข้อมูล
เรานำเสนอรูปแบบที่มีความสามารถในการจัดการชุดข้อมูลความไม่สมดุลได้ดีในที่อื่น ๆ จําแนกตามแบบฉบับ
ล้มเหลวที่จะทำเช่นนั้น รูปแบบที่ใช้รากศัพท์ของเครื่องเวกเตอร์ที่สนับสนุนในการเลือกตัวแปร
เพื่อให้ปัญหาของการกระจายข้อมูลที่ขาดดุลสามารถผ่อนคลาย แล้วเราใช้
ฉุกเฉินจัดตัวเองแผนที่ (esom) เพื่อคลัสเตอร์เบื้องมีเพื่อที่จะให้กลุ่มที่ไม่โต้ตอบสำหรับ.
งานนี้ดำเนินไปโดยการตรวจสอบประสิทธิภาพของรูปแบบในการประเมินชุดข้อมูลขาดดุล.
ผลการทดลองแสดงให้เห็นว่าเกณฑ์ตามอนุพันธ์เวกเตอร์น้ำหนักที่ประสบความสำเร็จ ผลลัพธ์ที่ดี
และดำเนินการอย่างต่อเนื่องเป็นเวลากว่าชุดข้อมูลความไม่สมดุล โดยทั่วไปวิธีการของเรามีประสิทธิภาพดีกว่าวิธีการจัดหมวดหมู่
อื่น ๆ ที่ไม่สามารถที่จะจัดการกับชุดข้อมูล
กระจายข้อมูลความไม่สมดุลในการทดสอบ

ผลลัพธ์ (ไทย) 2:

จุดประสงค์ของการเรียนรู้คอมพิวเตอร์อัลกอริทึมจะสร้างบริเวณที่ทำงานครั้งเดียวสำหรับทุกชนิดของข้อมูล
และ สำหรับทั้งหมด อย่างไรก็ตาม ส่วนใหญ่ของคำนามภาษาที่มีฐานจาก datasets สมดุลของพวกเขา เอกสารนี้อธิบาย
ปัญหาที่เกี่ยวข้องกับปัญหาการกระจายข้อมูล imbalanced และกลยุทธ์ร่วมในการจัดการกับ
datasets สมดุล เราเสนอแบบจำลองความสามารถในการจัดการสมดุล datasets ดีในที่อื่น ๆ ทั่ว
คำนามภาษาล้มเหลวดังนั้น รูปแบบนำมาเครื่องเวกเตอร์สนับสนุนในการเลือกตัวแปร
เพื่อให้ปัญหาของการกระจายข้อมูล imbalanced สามารถจะผ่อนคลาย จากนั้น เราใช้ Emergent การ
Self-Organizing แผนที่ (ESOM) กับคุณลักษณะ ranker เพื่อให้คลัสเตอร์ในคลัสเตอร์ unsupervised จัดประเภท
งานนี้คืบ ด้วยการตรวจสอบประสิทธิภาพของรูปแบบในการประเมิน imbalanced datasets.
ผลการทดลองแสดงว่า เงื่อนไขตามน้ำหนักเวกเตอร์อนุพันธ์ได้รับผลลัพธ์ที่ดี
และทำอย่างสม่ำเสมอดีกว่า datasets สมดุล ทั่วไป วิธีของเรา outperforms อื่น ๆ
วิธีประเภทที่ไม่สามารถจัดการการกระจายข้อมูล imbalanced ใน
datasets

ผลลัพธ์ (ไทย) 3:

เป้าหมายของอัลกอริธึมการเรียนรู้นวัตกรรมคือการสร้างพื้นที่ที่ทำงานได้ดีสำหรับทุก ประเภท ของข้อมูลเมื่อ
และสำหรับห้องพักทั้งหมด แต่ถึงอย่างไรก็ตามห้องพักส่วนมากของ classifiers ที่มีฐานของพวกเขาจาก datasets ความสมดุล เอกสารนี้อธิบายถึง
ซึ่งจะช่วยแก้ไขปัญหาที่เกี่ยวข้องกับปัญหาการกระจายข้อมูลเปรียบเทียบและยุทธศาสตร์ร่วมกันในการรับมือกับปัญหาความไม่สมดุล datasets
เราขอเสนอรุ่นที่สามารถรองรับการจัดการปัญหาความไม่สมดุล datasets ได้ดีในที่อื่นๆตามแบบฉบับ
classifiers ไม่สามารถทำได้ รุ่นที่นำมาใช้ได้มาของเครื่องเวกเตอร์การสนับสนุนในการเลือกตัวแปร
ซึ่งจะช่วยทำให้เกิดปัญหาในการกระจายข้อมูลเปรียบเทียบสามารถที่ผ่อนคลาย จากนั้นเราจะใช้
ตามมาตรฐานที่อุบัติขึ้นมาself-organizing แผนที่( esom )เพื่อไปยังกลุ่มพลทหารโดดเด่นไปด้วยดังนั้นจึงเป็นการแบ่งกลุ่มคลัสเตอร์สำหรับไม่มีการตรวจสอบ.
นี้ทำงานรุดหน้าด้วยการตรวจสอบที่มี ประสิทธิภาพ ของรุ่นในการประเมินเปรียบเทียบ datasets .
ทดลองผลการแสดงให้เห็นว่าได้มาตรฐานตามน้ำหนักหรืองานดัดแปลงมาจากประสบผลที่ดี
และทำอย่างต่อเนื่องมากกว่าความไม่สมดุล datasets . โดยทั่วไปวิธีการของเราดีกว่าวิธีการ
ซึ่งจะช่วยการแบ่ง ประเภท อื่นๆที่ไม่สามารถจัดการกับการกระจายข้อมูลเปรียบเทียบในการทดสอบ
datasets ได้