In the SMOTE algorithm, the minorit

In the SMOTE algorithm, the minority
class is over-sampled by taking each minority class sample and
introducing synthetic examples along the line segments joining
any or all of the k minority class nearest neighbors. Depending
on the amount of over-sampling required, neighbors from the
k nearest neighbors are randomly chosen [16]. In our case,
only the training files (with the best 15 attributes) have been

ผลลัพธ์ (ไทย) 1:

ในขั้นตอนวิธี SMOTE ชนกลุ่มน้อยที่เรียนมากเกินไปได้ตัวอย่าง โดยการนำตัวอย่างคลาสแต่ละชนกลุ่มน้อย และแนะนำตัวอย่างที่สังเคราะห์ตามบรรทัดเซ็กเมนต์เข้าร่วมทั้งหมดหรือประเภทชนกลุ่มน้อย k ใกล้บ้าน ขึ้นอยู่กับในจำนวนสุ่มตัวอย่างที่มากเกินจำเป็น บ้านจากการเคใกล้บ้านจะสุ่มเลือก [16] ในกรณีของเราเฉพาะแฟ้มฝึกอบรม (มี 15 คุณลักษณะสุด) ได้

ผลลัพธ์ (ไทย) 2:

ในขั้นตอนวิธีการฆ่าฟันชนกลุ่มน้อยที่
เรียนมากกว่าตัวอย่างโดยการใช้กลุ่มตัวอย่างแต่ละชั้นชนกลุ่มน้อยและ
การแนะนำตัวอย่างสังเคราะห์พร้อมกลุ่มสายการเข้าร่วม
ใดหรือทั้งหมดของผู้ถือหุ้นส่วนน้อยระดับ k เพื่อนบ้านที่ใกล้ที่สุด ทั้งนี้ขึ้นอยู่
กับปริมาณของการสุ่มตัวอย่างมากกว่าที่จำเป็นจากเพื่อนบ้าน
k เพื่อนบ้านที่ใกล้ที่สุดได้รับการสุ่มเลือก [16] ในกรณีของเรา
เฉพาะแฟ้มการฝึกอบรม (ที่ดีที่สุด 15 คุณลักษณะ) ได้รับ

ผลลัพธ์ (ไทย) 3:

ในฟันและชนกลุ่มน้อย
เลิกเรียนในแต่ละชั้นเรียนและชนกลุ่มน้อย โดยการใช้ตัวอย่าง
แนะนำตัวอย่างสังเคราะห์ตามเส้น ส่วนการเข้าร่วม
ใดหรือทั้งหมดของ K น้อยห้องเพื่อนบ้านที่ใกล้ที่สุด . ขึ้นอยู่กับ
บนยอดกว่าคนต้องการเพื่อนบ้านจาก
k เพื่อนบ้านที่ใกล้ที่สุดจะสุ่มเลือก [ 16 ] ในกรณีของเรา
เฉพาะไฟล์ ( ด้วยการฝึกอบรมที่ดีที่สุด 15 แอตทริบิวต์ ) ได้รับ