Several applications aim to identif

Several applications aim to identify rare events from very large data sets. Classification algorithms may present great limitations on large data sets and show a performance degradation due to class imbalance. Many solutions have been presented in literature to deal with the problem of huge amount of data or imbalancing separately. In this paper we assessed the performances of a novel method, Parallel Selective Sampling (PSS), able to select data from the majority class to reduce imbalance in large data sets. PSS was combined with the Support Vector Machine (SVM) classification. PSS-SVM showed excellent performances on synthetic data sets, much better than SVM. Moreover, we showed that on real data sets PSS-SVM classifiers had performances slightly better than those of SVM and RUSBoost classifiers with reduced processing times. In fact, the proposed strategy was conceived and designed for parallel and distributed computing. In conclusion, PSS-SVM is a valuable alternative to SVM and RUSBoost for the problem of classification by huge and imbalanced data, due to its accurate statistical predictions and low computational complexity.

ผลลัพธ์ (ไทย) 1:

โปรแกรมประยุกต์หลายจุดมุ่งหมายเพื่อระบุเหตุการณ์ที่หายากจากชุดข้อมูลขนาดใหญ่มาก อัลกอริทึมประเภทอาจนำข้อจำกัดดีบนชุดข้อมูลขนาดใหญ่ และแสดงประสิทธิภาพเนื่องจากความไม่สมดุลของระดับ โซลูชั่นหลายได้ถูกนำเสนอในวรรณคดีเพื่อจัดการกับปัญหาของจำนวนข้อมูลหรือ imbalancing ขนาดใหญ่แยกต่างหาก ในเอกสารนี้ เราประเมินประสิทธิภาพของวิธีนวนิยาย ขนานเลือกสุ่มตัวอย่าง (PSS), สามารถเลือกข้อมูลจากชั้นเรียนส่วนใหญ่เพื่อลดความไม่สมดุลในชุดข้อมูลขนาดใหญ่ PSS ถูกรวมกับการจัดประเภทเครื่องสนับสนุนเวกเตอร์ (SVM) PSS SVM แสดงสมรรถนะยอดเยี่ยมในชุดข้อมูลสังเคราะห์ ดีกว่า SVM นอกจากนี้ เราพบว่า ในชุดข้อมูลจริง คำนามภาษา PSS SVM มีเล็กน้อยดีกว่าของ SVM แสดง และคำนามภาษา RUSBoost กับลดเวลาการประมวลผล ในความเป็นจริง กลยุทธ์การนำเสนอได้รู้สึก และออกแบบสำหรับการคำนวณแบบขนาน และแบบกระจาย เบียดเบียน PSS SVM เป็นทางเลือกมีคุณค่า SVM และ RUSBoost ปัญหาของการแบ่งประเภทตามขนาดใหญ่ และ imbalanced ข้อมูล การคาดคะเนสถิติที่ถูกต้องและคำนวณซับซ้อนต่ำ

ผลลัพธ์ (ไทย) 2:

การใช้งานหลายจุดมุ่งหมายเพื่อระบุเหตุการณ์ที่หายากจากชุดข้อมูลขนาดใหญ่มาก ขั้นตอนวิธีการจำแนกประเภทอาจมีข้อ จำกัด ที่ดีในชุดข้อมูลขนาดใหญ่และแสดงการเสื่อมประสิทธิภาพเนื่องจากความไม่สมดุลของระดับ การแก้ปัญหาที่หลายคนได้รับการนำเสนอในวรรณคดีที่จะจัดการกับปัญหาของข้อมูลจำนวนมากหรือ imbalancing แยก ในบทความนี้เราประเมินผลการดำเนินงานของวิธีการนวนิยายสุ่มตัวอย่างเลือกแบบขนาน (PSS) สามารถเลือกข้อมูลจากชั้นส่วนใหญ่เพื่อลดความไม่สมดุลในชุดข้อมูลขนาดใหญ่ PSS ถูกรวมกับการสนับสนุนเครื่องเวกเตอร์ (SVM) การจัดหมวดหมู่ PSS-SVM แสดงให้เห็นการแสดงที่ยอดเยี่ยมในชุดข้อมูลสังเคราะห์ดีกว่า SVM นอกจากนี้เราแสดงให้เห็นว่าในข้อมูลจริงชุดลักษณนาม PSS-SVM มีการแสดงเล็กน้อยดีกว่าของ SVM และแยกแยะ RUSBoost กับเวลาการประมวลผลลดลง ในความเป็นจริงที่นำเสนอกลยุทธ์การคิดและการออกแบบสำหรับการคำนวณแบบขนานและจัดจำหน่าย โดยสรุป PSS-SVM เป็นทางเลือกที่มีคุณค่าให้กับ SVM และ RUSBoost สำหรับปัญหาการจัดหมวดหมู่โดยข้อมูลขนาดใหญ่และการขาดดุลเนื่องจากการคาดการณ์ทางสถิติของความถูกต้องและความซับซ้อนของการคำนวณที่ต่ำ

ผลลัพธ์ (ไทย) 3:

การใช้งานหลายจุดประสงค์เพื่อระบุเหตุการณ์ที่หายากจากชุดข้อมูลที่มีขนาดใหญ่มาก ขั้นตอนวิธีการจำแนกอาจแสดงข้อ จำกัด มากในชุดข้อมูลที่มีขนาดใหญ่และแสดงประสิทธิภาพการย่อยสลายเนื่องจากห้องเรียนไม่สมดุลย์ หลายโซลูชั่นได้ถูกนำเสนอในวรรณคดี เพื่อจัดการกับปัญหาของจํานวนมากของข้อมูลหรือ imbalancing ต่างหาก ในกระดาษนี้เราประเมินสมรรถนะของวิธีนวนิยายการเลือกตัวอย่างแบบขนาน ( แฮ่ ) , สามารถเลือกข้อมูลจากส่วนใหญ่เรียนเพื่อลดความไม่สมดุลในชุดข้อมูลที่มีขนาดใหญ่ แฮ่ เป็นรวมกับสนับสนุนเวกเตอร์เครื่องจักร ( SVM ) การจำแนกประเภท pss-svm แสดงสมรรถนะที่ยอดเยี่ยมในชุดข้อมูลสังเคราะห์ดีกว่า SVM . นอกจากนี้เราพบว่าในชุดข้อมูลที่มีจริง pss-svm มีสมรรถนะดีขึ้นเล็กน้อยกว่าของ SVM rusboost คำและลดเวลาการประมวลผล ในความเป็นจริง เสนอกลยุทธ์คิดและออกแบบสำหรับการคำนวณแบบขนานและกระจาย . สรุป pss-svm เป็นคุณค่าและทางเลือก SVM rusboost สำหรับปัญหาการจำแนกประเภทโดยและขนาดใหญ่ไม่สมดุลข้อมูลเนื่องจากการคาดการณ์ที่ถูกต้องทางสถิติและการคำนวณที่ซับซ้อนน้อย