In order to estimate the quality of

In order to estimate the quality of classifiers built from imbalanced data, several measures have been proposed in the literature [24]. This is because the most widely used empirical measure, total accuracy, does not distinguish between the number of correct labels of different classes, which in the ambit of imbalanced problems may lead to erroneous conclusions. This paper considers the usage of the Area Under the ROC Curve (AUC) measure [6], which provides a single-number summary for the performance of learning algorithms and it is recommended in many other works in the literature [4,15]

Kết quả (Việt) 1:

Để ước tính chất lượng của máy phân loại được xây dựng từ dữ liệu mất cân bằng, nhiều biện pháp đã được đề xuất trong tài liệu [24]. Điều này là bởi vì các biện pháp thực nghiệm được sử dụng rộng rãi nhất, chính xác tổng số, không phân biệt giữa số lượng các nhãn chính xác của các lớp khác nhau, mà trong phạm vi của vấn đề mất cân bằng có thể dẫn đến kết luận sai lầm. Bài viết này sẽ xem xét việc sử dụng các biện pháp Area Under the ROC Curve (AUC) [6], cung cấp một bản tóm tắt một số cho hiệu suất của học thuật toán và nó được khuyến khích trong nhiều tác phẩm khác trong các tài liệu [4,15]

Kết quả (Việt) 2:

Để đánh giá chất lượng của các phân loại được xây dựng từ dữ liệu mất cân bằng, một số biện pháp đã được đề xuất trong văn học [24]. Điều này là do các biện pháp thực nghiệm sử dụng rộng rãi nhất, tổng số chính xác, không phân biệt giữa số lượng các nhãn chính xác của các lớp học khác nhau, trong phạm vi của vấn đề mất cân bằng có thể dẫn đến kết luận sai lầm. Bài viết này xem xét việc sử dụng các khu vực dưới đường cong ROC (AUC) biện pháp [6], trong đó cung cấp một bản tóm tắt đơn số để thực hiện các thuật toán học và nó được khuyến cáo trong nhiều tác phẩm khác trong các tài liệu [4,15]