5. ConclusionsIn this paper, we dis

5. Conclusions
In this paper, we discussed a few different data mining algorithms and statistical techniques to
identify the fraudulent online transactions. The results show that all the adopted data mining
approaches including NaiveBayes, AdaBoostM1, NaiveBayesMultinomial and
ClassificationViaRegression produce highly accurate predictions. However, the high Type II error rates
from these approaches indicate that those approaches cannot identify the fraud cases effectively.
Therefore, LDA is introduced to deal with the unbalanced data. However, for the non-fraud cases,
LDA produces less accurate results than the data mining approaches.

ผลลัพธ์ (ไทย) 1:

5. บทสรุปในกระดาษนี้ เรากล่าวถึงอัลกอริทึมการทำเหมืองข้อมูลที่แตกต่างกันไม่กี่และเทคนิคทางสถิติเพื่อระบุธุรกรรมออนไลน์ที่หลอกลวง ผลการแสดงที่ทำเหมืองข้อมูลบังคับทั้งหมดวิธีการรวมทั้ง NaiveBayes, AdaBoostM1, NaiveBayesMultinomial และClassificationViaRegression ผลิตคาดการณ์แม่นยำ อย่างไรก็ตาม ข้อผิดพลาดราคาสูงของ Type IIจากวิธีการเหล่านี้บ่งชี้ว่า วิธีการเหล่านั้นไม่สามารถระบุกรณีฉ้อโกงอย่างมีประสิทธิภาพดังนั้น LDA ถูกนำมาใช้ในการจัดการกับข้อมูลไม่สมดุล อย่างไรก็ตาม สำหรับกรณีไม่ใช่การทุจริตLDA สร้างผลลัพธ์ที่ถูกต้องน้อยกว่าวิธีการทำเหมืองข้อมูล

ผลลัพธ์ (ไทย) 2:

5. สรุป
ในบทความนี้เราจะกล่าวถึงขั้นตอนวิธีการทำเหมืองข้อมูลที่แตกต่างกันไม่กี่และเทคนิคทางสถิติเพื่อ
ระบุการทำธุรกรรมออนไลน์หลอกลวง ผลการศึกษาพบว่าทุกคนที่ทำเหมืองข้อมูลที่นำมาใช้
วิธีการรวมทั้ง NaiveBayes, AdaBoostM1, NaiveBayesMultinomial และ
ClassificationViaRegression ผลิตคาดการณ์ได้อย่างแม่นยำ อย่างไรก็ตามอัตราความผิดพลาดสูงชนิดที่สอง
จากวิธีการเหล่านี้แสดงให้เห็นว่าวิธีการเหล่านั้นไม่สามารถระบุกรณีการทุจริตได้อย่างมีประสิทธิภาพ.
ดังนั้น LDA ถูกนำมาใช้ในการจัดการกับข้อมูลที่ไม่สมดุล อย่างไรก็ตามสำหรับกรณีที่ไม่ใช่การทุจริต
LDA ก่อให้เกิดผลลัพธ์ที่ถูกต้องน้อยกว่าวิธีการทำเหมืองข้อมูล