However, it seems undesirable to us

However, it seems undesirable to use only 1% of the negative examples, throwing away information in the rest of the negative examples. One possibility is to oversample with replacement the existing positive examples to a few times (2x, 5x, 10x, 20x) of the original size, while keeping the same numbers of negative examples. This way, we naturally increase the information on negative examples in the training set while still keeping numbers of positive and negative examples the same. Table 4 lists the average lift index with boosted Naive Bayes on the three datasets.

ผลลัพธ์ (ไทย) 1:

อย่างไรก็ตาม เหมือนหยิบใช้เพียง 1% ของตัวอย่างลบ การทิ้งข้อมูลในส่วนเหลือของตัวอย่างลบ ความเป็นไปได้ที่หนึ่งจะ oversample กับแทนได้ตัวอย่างที่มีอยู่บวกไปกี่ครั้ง (2 x, 5 x, 10 x, 20 x) ขนาดเดิม ในขณะที่เก็บจำนวนลบอย่างเดียว ด้วยวิธีนี้ เราธรรมชาติเพิ่มข้อมูลในตัวอย่างลบในชุดฝึกอบรมในขณะที่ยังคง เก็บจำนวนบวก และลบอย่างเดียวกัน ตาราง 4 แสดงดัชนีเฉลี่ยยกกับเพิ่มขึ้น Bayes Naive บน datasets สาม

ผลลัพธ์ (ไทย) 2:

แต่ดูเหมือนว่าที่ไม่พึงประสงค์ที่จะใช้เพียง 1% ของตัวอย่างลบทิ้งข้อมูลในส่วนที่เหลือของตัวอย่างเชิงลบ หนึ่งเป็นไปได้คือการ oversample ด้วยการเปลี่ยนตัวอย่างในเชิงบวกที่มีอยู่เพื่อไม่กี่ครั้ง (2x, 5x, 10x, 20x) ของขนาดเดิมขณะที่การรักษาหมายเลขเดียวกันของตัวอย่างเชิงลบ วิธีนี้เราตามธรรมชาติเพิ่มข้อมูลในตัวอย่างเชิงลบในชุดการฝึกอบรมในขณะที่ยังคงรักษาตัวเลขของตัวอย่างบวกและลบเช่นเดียวกัน ตารางที่ 4 แสดงค่าเฉลี่ยดัชนีลิฟท์ที่มีการเพิ่มขึ้น Naive Bayes ในสามชุดข้อมูล

ผลลัพธ์ (ไทย) 3:

อย่างไรก็ตาม ดูเหมือนว่าไม่พึงประสงค์ที่จะใช้เพียง 1 % ของตัวอย่างลบ ทิ้งข้อมูลในส่วนที่เหลือของตัวอย่างลบ หนึ่งเป็นไปได้คือการ oversample แทนที่ที่มีอยู่บวกตัวอย่างไปไม่กี่ครั้ง ( 2x 5x 10x , , , 20 x ) ของขนาดเดิม ขณะที่รักษาหมายเลขเดียวกันของตัวอย่างลบ ด้วยวิธีนี้ธรรมชาติเราเพิ่มข้อมูลลบตัวอย่างในชุดฝึก ในขณะที่ยังคงรักษาจำนวนของตัวอย่างบวกและลบเหมือนกัน ตารางที่ 4 แสดงดัชนียกเฉลี่ยเพิ่มขึ้น Naive Bayes ใน 3
ชุดข้อมูล