The main difficulty of imbalanced d

The main difficulty of imbalanced datasets is that a standard classifier might ignore the importance of the minority class because its representation inside the dataset is not strong enough and the classifier is biased toward the majority class or, in other words, it is oriented to achieve a good total classification accuracy. Consequently, the examples that belong to the minority class are misclassified more often than those belonging to the majority class [27].
This type of data may be categorized depending on its imbalance ratio (IR) [15], which is defined as the relation between the majority class and minority class examples, by the expression

Kết quả (Việt) 1:

Những khó khăn chính của mất cân bằng datasets là rằng một classifier tiêu chuẩn có thể bỏ qua tầm quan trọng của tầng lớp thiểu số do đại diện của nó trong bộ dữ liệu không đủ mạnh và loại thiên vị đối với các lớp học phần lớn hoặc, nói cách khác, đó là định hướng để đạt được độ chính xác tốt phân loại tất cả. Do đó, ví dụ thuộc tầng lớp thiểu số được misclassified thường xuyên hơn so với những người thuộc giai cấp đa [27].Kiểu dữ liệu có thể được phân loại tùy thuộc vào sự mất cân bằng tỷ lệ của nó (IR) [15], mà là defined như mối quan hệ giữa các đa lớp và thiểu số lớp ví dụ, bởi sự biểu hiện

Kết quả (Việt) 2:

Khó khăn chính của bộ dữ liệu mất cân bằng là một tiêu chuẩn phân loại fi er có thể bỏ qua tầm quan trọng của lớp thiểu số vì đại diện của mình trong các tập dữ liệu là không đủ mạnh và phân loại được thiên vị về phía lớp học đa số hoặc, nói cách khác, nó được định hướng để đạt được một tốt tổng độ chính xác phân loại. Do đó, các ví dụ thuộc về lớp thiểu số được phân loại sai thường xuyên hơn so với những người thuộc tầng lớp đa số [27].
Đây là loại dữ liệu có thể được phân loại tùy thuộc vào tỷ lệ của nó mất cân bằng (IR) [15], đó là định nghĩa là mối quan hệ giữa các lớp lớn và lớp thiểu số ví dụ, bởi biểu thức