 Modeling outlier detection as a c

 Modeling outlier detection as a classification problem
 Samples examined by domain experts used for training & testing
 Methods for Learning a classifier for outlier detection effectively:
 Model normal objects & report those not matching the model as outliers, or
 Model outliers and treat those not matching the model as normal
 Challenges
 Imbalanced classes, i.e., outliers are rare: Boost the outlier class and make up some artificial outliers
 Catch as many outliers as possible, i.e., recall is more important than accuracy (i.e., not mislabeling normal objects as outliers)

ผลลัพธ์ (ไทย) 1:

สร้างโมเดล outlier ตรวจหาเป็นการจัดประเภทปัญหา ตัวอย่างตรวจสอบ โดยผู้เชี่ยวชาญของโดเมนที่ใช้สำหรับการฝึกอบรมและทดสอบ วิธีสำหรับเรียนรู้ลักษณนาม outlier ตรวจจับได้อย่างมีประสิทธิภาพ: แบบวัตถุปกติและรายงานที่ไม่ตรงกับรูปแบบที่เป็น outliers หรือ รุ่น outliers และรักษาที่ไม่ตรงกับแบบปกติ ความท้าทาย  Imbalanced คลา เช่น มี outliers: เพิ่มระดับ outlier และทำบาง outliers ประดิษฐ์ จับ outliers เป็นจำนวนมากเป็นไปได้ เช่น เรียกคืนเป็นสำคัญกว่าความถูกต้อง (เช่น ติดฉลากไม่ปกติวัตถุเป็น outliers)

ผลลัพธ์ (ไทย) 2:

การตรวจสอบการสร้างแบบจำลองค่าผิดปกติเป็นปัญหาการจัดหมวดหมู่
ตัวอย่างการตรวจสอบโดยผู้เชี่ยวชาญโดเมนที่ใช้สำหรับการฝึกอบรมและทดสอบ
วิธีการสำหรับการเรียนรู้ลักษณนามสำหรับการตรวจสอบค่าผิดปกติได้อย่างมีประสิทธิภาพ:
วัตถุแบบปกติและรายงานผู้ที่ไม่ตรงกับรูปแบบเป็นค่าผิดปกติหรือ
รุ่นค่าผิดปกติและรักษา ผู้ที่ไม่ตรงกับรูปแบบตามปกติ
ท้าทาย
เรียนขาดดุลคือค่าผิดปกติหายาก: Boost ระดับค่าผิดปกติและทำให้ขึ้นค่าผิดปกติเทียมบาง
จับค่าผิดปกติให้มากที่สุดเท่าที่เป็นไปได้คือการเรียกคืนมีความสำคัญมากกว่าความถูกต้อง (เช่นไม่ใช่ mislabeling วัตถุปกติเป็นค่าผิดปกติ)

ผลลัพธ์ (ไทย) 3:

การตรวจหาค่าเป็นปัญหาการจำแนกตัวอย่างตรวจสอบโดเมนผู้เชี่ยวชาญที่ใช้สำหรับการฝึกอบรมและทดสอบวิธีการเรียนรู้ลักษณนามสําหรับการตรวจหาค่าได้อย่างมีประสิทธิภาพ :วัตถุธรรมดารูปแบบรายงานที่ไม่ตรงกับรูปแบบที่ผิดปกติ หรือแบบผิดปกติ และรักษาผู้ที่ไม่ตรงกับรูปแบบปกติท้าทาย imbalanced ชั้นเรียน เช่น มีค่าหายาก : เพิ่มค่าห้องและให้ขึ้นบางเทียมผิดปกติจับได้มากผิดปกติมากที่สุด เช่น จำ สำคัญกว่าความถูกต้อง ( เช่น ไม่ mislabeling วัตถุปกติผิดปกติ )