Technically speaking, any data set

Technically speaking, any data set that exhibits an unequal distribution between its classes can be considered imbalanced. However, the common understanding in the community is that imbalanced data correspond to data sets exhibiting significant, and in some cases extreme, imbalances. Specifically, this form of imbalance is referred to as a between-class imbalance; not uncommon are betweenclass imbalances on the order of 100:1, 1,000:1, and 10,000:1, where in each case, one class severely outrepresents another [4], [5], [6]. Although this description would seem to imply that all between-class imbalances are innately binary (or two-class), we note that there are multiclass data in which imbalances exist between the various classes [7], [8], [9], [10], [11], [12]. In this paper, we only briefly touch upon the multiclass imbalanced learning problem, focusing instead on the two-class imbalanced learning problem for space considerations.

ผลลัพธ์ (ไทย) 1:

เทคนิคการพูด ชุดใด ๆ ข้อมูลที่แสดงการกระจายไม่เท่ากันระหว่างการเรียนถือได้ว่าขาดดุล อย่างไรก็ตาม ความเข้าใจร่วมกันในชุมชนเป็นที่ขาดดุลข้อมูลสอดคล้อง กับชุดข้อมูลที่แสดงความสำคัญ และ ในบางกรณีที่รุนแรง ความไม่สมดุล เฉพาะ รูปแบบของความไม่สมดุลนี้เรียกว่าความไม่สมดุลของระหว่างชั้น ไม่ใช่เรื่องแปลก betweenclass ความไม่สมดุลระหว่าง 100: 1, 1, 000:1 และ 10, 000:1 ซึ่งในแต่ละกรณี ชั้นหนึ่งรุนแรง outrepresents อื่น [4] [5], [6] แม้ว่าคำอธิบายนี้จะดูเหมือนเป็น นัยว่า ความไม่สมดุลระหว่างระดับทั้งหมดมีกำเนิดไบนารี (หรือ ชั้นสอง), เราทราบว่า มี multiclass ข้อมูลที่มีอยู่ความไม่สมดุลระหว่างหลายชั้น [7], [8], [9], [10], [11], [12] ในกระดาษนี้ เราเพียงสั้น ๆ สัมผัสเมื่อมีปัญหาการเรียนรู้ขาดดุล multiclass แทนเน้นปัญหาสองชั้นเรียนขาดดุลพิจารณาพื้นที่

ผลลัพธ์ (ไทย) 2:

เทคนิคการพูดชุดข้อมูลใด ๆ ที่จัดแสดงนิทรรศการกระจายไม่เท่ากันระหว่างชั้นเรียนของตนได้รับการพิจารณาไม่สมดุล อย่างไรก็ตามความเข้าใจร่วมกันในชุมชนคือข้อมูลขาดดุลสอดคล้องกับข้อมูลชุดการแสดงอย่างมีนัยสำคัญและในบางกรณีที่รุนแรงไม่สมดุล โดยเฉพาะรูปแบบของความไม่สมดุลนี้จะเรียกว่าเป็นความไม่สมดุลระหว่างระดับ; ไม่ใช่เรื่องแปลกที่จะมีความไม่สมดุลในการสั่งซื้อ betweenclass 100: 1, 1,000: 1, และ 10,000: 1, ที่ในแต่ละกรณีหนึ่งระดับรุนแรง outrepresents อีก [4] [5] [6] แม้ว่าคำอธิบายนี้ก็ดูเหมือนจะบ่งบอกว่าทั้งหมดระหว่างระดับความไม่สมดุลมีกำเนิดไบนารี (หรือสองชั้น) เราทราบว่ามีข้อมูล multiclass ซึ่งความไม่สมดุลอยู่ระหว่างชั้นเรียนต่างๆ [7] [8] [9] [10] [11] [12] ในบทความนี้เราเพียงสั้น ๆ ลามปามปัญหาการเรียนรู้ multiclass ขาดดุลโดยมุ่งเน้นแทนในปัญหาการเรียนรู้สองชั้นไม่สมดุลสำหรับการพิจารณาพื้นที่

ผลลัพธ์ (ไทย) 3:

เทคนิคการพูด ข้อมูลใด ๆที่แสดงการกระจายไม่เท่ากันระหว่างเรียนสามารถพิจารณาสมดุล . อย่างไรก็ตาม ความเข้าใจร่วมกันในชุมชนมีข้อมูลที่สอดคล้องกับข้อมูลชุดล่าสุดอย่างสมดุล และในบางกรณีสุดโต่ง ความไม่สมดุล . โดยเฉพาะรูปแบบของความไม่สมดุลเรียกว่าระหว่างเรียนไม่สมดุล ; ไม่พิสดาร จะ betweenclass ความไม่สมดุลในการสั่งซื้อของ 100 : 1 1000 : 1 และ 10000:1 ซึ่งในแต่ละกรณี คลาสหนึ่งอย่างรุนแรง outrepresents อีก [ 4 ] , [ 5 ] [ 6 ] แม้ว่าการวิจัยนี้ดูเหมือนจะบ่งบอกว่าระหว่างเรียนไม่สมดุลเป็นโดยกำเนิดแบบไบนารี ( หรือสองห้อง ) เราทราบว่ามีข้อมูลหลายที่ไม่สมดุลอยู่ระหว่างชั้นเรียนต่างๆ [ 7 ] , [ 8 ] , [ 9 ] , [ 10 ] [ 11 ] [ 12 ] ในกระดาษนี้เราเพียงสั้น ๆ สัมผัสเมื่อหลายสมดุลการเรียนรู้ปัญหา เน้นแทนในชั้นเรียนการเรียนรู้ปัญหาขาดดุลการพิจารณาพื้นที่