Firstly of all, in our current stud

Firstly of all, in our current study, we compared the
ADASYN algorithm to single decision tree and SMTOE
algorithm [15] for performance assessment. This is mainly
because all of these methods are single-model based learning
algorithms. Statistically speaking, ensemble based learning algorithms
can improve the accuracy and robustness of learning
performance, thus as a future research direction, the ADASYN
algorithm can be extended for integration with ensemble
based learning algorithms. To do this, one will need to use
a bootstrap sampling technique to sample the original training
data sets, and then embed ADASYN to each sampled set to
train a hypothesis. Finally, a weighted combination voting rule
similar to AdaBoost.M1 [35] [36] can be used to combine
all decisions from different hypotheses for the final predicted
outputs. In such situation, it would be interesting to see the
performance of such boosted ADASYN algorithm with those
of SMOTEBoost [16], DataBoost-IM [17] and other ensemble

ผลลัพธ์ (ไทย) 1:

แรก ของทั้งหมด ในการศึกษาปัจจุบันของเรา เราเปรียบเทียบการอัลกอริทึม ADASYN ต้นไม้การตัดสินใจที่เดียวและ SMTOEอัลกอริทึม [15] สำหรับการประเมินประสิทธิภาพ นี้เป็นส่วนใหญ่เนื่องจากวิธีเหล่านี้ทั้งหมดเป็นรูปแบบเดียว ตามการเรียนรู้อัลกอริทึม พูดทางสถิติ วงดนตรีตามอัลกอริทึมการเรียนรู้สามารถปรับปรุงความแม่นยำและความทนทานของการเรียนรู้ประสิทธิภาพ จึงเป็นทิศทางการวิจัยในอนาคต การ ADASYNสามารถขยายอัลกอริทึมสำหรับการรวมกับวงดนตรีใช้อัลกอริธึมการเรียนรู้ การทำเช่นนี้ หนึ่งจะต้องใช้เทคนิคการสุ่มตัวอย่างเริ่มต้นให้ตัวอย่างการฝึกอบรมเดิมชุดข้อมูล และฝัง ADASYN แต่ละตัวอย่างตั้งค่าแล้วรถไฟสมมติฐาน ในที่สุด ถ่วงน้ำหนักกฎการออกเสียงลงคะแนนรวมกันคล้ายกับ AdaBoost.M1 [35] [36] สามารถใช้การรวมจากสมมติฐานที่แตกต่างกันสำหรับคาดการณ์สุดท้ายการตัดสินใจพุ ในสถานการณ์ดังกล่าว มันจะน่าสนใจเพื่อดูการประสิทธิภาพของอัลกอริธึมดังกล่าว ADASYN โปรโมทกับSMOTEBoost [16], DataBoost-IM [17] และวงดนตรีอื่น ๆ

ผลลัพธ์ (ไทย) 2:

ประการแรกของทั้งหมดในการศึกษาในปัจจุบันของเราเราไปเทียบกับ
อัลกอริทึม ADASYN กับต้นไม้ตัดสินใจเดียวและ SMTOE
อัลกอริทึม [15] สำหรับการประเมินผลการปฏิบัติงาน นี้เป็นส่วนใหญ่
เพราะทุกวิธีการเหล่านี้เป็นโสดแบบการเรียนรู้ตาม
ขั้นตอนวิธีการ สถิติการพูดทั้งมวลตามขั้นตอนวิธีการเรียนรู้ที่
สามารถปรับปรุงความถูกต้องและความทนทานของการเรียนรู้
ผลการดำเนินงานจึงเป็นทิศทางการวิจัยในอนาคต, ADASYN
อัลกอริทึมสามารถขยายได้สำหรับการทำงานร่วมกับวงดนตรี
ตามขั้นตอนวิธีการเรียนรู้ การทำเช่นนี้อย่างใดอย่างหนึ่งจะต้องใช้
เทคนิคการสุ่มตัวอย่างบูตที่จะลิ้มลองฝึกอบรมเดิม
ชุดข้อมูลแล้วฝัง ADASYN แต่ละชุดตัวอย่างในการ
ฝึกอบรมสมมติฐาน สุดท้ายกฎการออกเสียงลงคะแนนรวมกันถ่วงน้ำหนัก
คล้ายกับ AdaBoost.M1 [35] [36] สามารถใช้ในการรวม
การตัดสินใจทั้งหมดจากสมมติฐานที่แตกต่างกันสำหรับการคาดการณ์ครั้งสุดท้าย
เอาท์พุท ในสถานการณ์เช่นนี้มันจะน่าสนใจเพื่อดู
ประสิทธิภาพการทำงานของอัลกอริทึม ADASYN ดังกล่าวเพิ่มขึ้นกับบรรดา
ของ SMOTEBoost [16], DataBoost-IM [17] และชุดอื่น ๆ

ผลลัพธ์ (ไทย) 3:

ประการแรกของทั้งหมด ในการศึกษาในปัจจุบันของเรา เราเปรียบเทียบadasyn ขั้นตอนวิธีต้นไม้ตัดสินใจเดียวและ smtoeขั้นตอนวิธี [ 15 ] เพื่อการประเมินประสิทธิภาพ นี้เป็นส่วนใหญ่เพราะวิธีการเหล่านี้ทั้งหมดเป็นแบบเดี่ยวแห่งการเรียนรู้อัลกอริธึม สถิติการพูดวงดนตรีที่ใช้อัลกอริทึมการเรียนรู้สามารถปรับปรุงความถูกต้องและความทนทานของการเรียนรู้ประสิทธิภาพ จึงเป็นทิศทางการวิจัยในอนาคต adasynขั้นตอนวิธีที่สามารถขยายได้สำหรับการรวมกับวงดนตรีฐานการเรียนรู้ขั้นตอนวิธี ทำแบบนี้ จะต้องใช้เป็นบูทแบบตัวอย่างการฝึกเดิมชุดข้อมูลแล้วฝัง adasyn แต่ละชุดตัวอย่างรถไฟของสมมติฐาน ในที่สุด การลงคะแนนถ่วงน้ำหนัก กฎคล้ายกับ adaboost.m1 [ 35 ] [ 36 ] สามารถใช้รวมการตัดสินใจทั้งหมด จากสมมติฐานที่แตกต่างกันสำหรับขั้นสุดท้ายคาดการณ์เอาท์พุท ในสถานการณ์นี้ , มันจะน่าสนใจที่จะเห็นประสิทธิภาพของขั้นตอนวิธีดังกล่าวกับผู้ประกอบการ adasynของ smoteboost [ 16 ] [ 17 ] และ databoost im ทั้งหมดอื่น ๆ