To address the class imbalance prob

To address the class imbalance problem (very few instances in some classes) in LP Read et. al. in
[42] proposes Pruned Sets method. The idea is based on pruning away infrequently occurring label
sets in LP , and this allows to focus only on most important label correlations, with reduced complexity. To compensate for such information loss, pruned away sets are broken into
more frequently occurring subsets and is introduced in the data again once crosses some predefined threshold.
An ensemble of such pruned set classifiers is also proposed and for classification of a new instance a
voting scheme is followed.

Kết quả (Việt) 1:

Để giải quyết vấn đề mất cân bằng lớp (rất ít trường hợp trong một số các lớp học) trong LP đọc et. và những người khác trong[42] đề xuất phương pháp Pruned bộ. Ý tưởng dựa trên cắt tỉa đi thường xuyên xảy ra nhãnbộ trong LP, và điều này cho phép tập trung chỉ trên mối tương quan nhãn quan trọng nhất, với giảm phức tạp. Để bù cho thiệt hại thông tin như vậy, bớt đi bộ được chia thành thường xuyên hơn xảy ra tập con và được giới thiệu trong dữ liệu một lần nữa một lần đi qua một số ngưỡng được xác định trước. Một dàn máy phân loại đặt pruned như vậy cũng được đề xuất và để phân loại một trường hợp mới mộtbỏ phiếu đề án được theo sau.

Kết quả (Việt) 2:

Để giải quyết vấn đề mất cân bằng các lớp (rất ít trường hợp ở một số lớp) trong LP đọc et. al. trong
[42] đề xuất phương pháp cắt tỉa Sets. Ý tưởng này được dựa trên tỉa bớt đi không thường xuyên xảy ra nhãn
bộ trong LP, và điều này cho phép chỉ tập trung vào mối liên quan nhãn quan trọng nhất, với giảm độ phức tạp. Để bù đắp cho sự mất mát thông tin như vậy, lược bỏ bộ được chia thành
các tập con thường xuyên hơn xảy ra và được giới thiệu trong các dữ liệu một lần nữa một lần đi qua một số ngưỡng xác định trước.
Một tập hợp các ví dụ phân loại tập hợp tỉa cũng được đề nghị và phân loại một ví dụ mới một
chương trình bỏ phiếu được theo sau.