In addition, experiments with many

In addition, experiments with many other classification algorithms on the preprocessed datasets will be carried out in order to show the behavior of the preprocessing techniques with different classifiers. These are k-NN [39], a Support Vector Machine (SVM) [13,51], Repeated Incremental Pruning to Produce Error Reduction (RIPPER) [12] and PART [16]. Due to length restrictions, their results are only included on the web-page associated with this paper, available at . This web-page also includes the basic information of this paper, the datasets used and the parameter setup for all the classification algorithms.
The rest of this paper is organized as follows. Section 2 presents the imbalanced dataset problem. Section 3 is devoted to the motivations behind our extension of SMOTE. Next, Section 4 describes the experimental framework. Section 5 includes the analysis of the experimental results, and Section 6 outlines the results and the suitability of IPF for the problem treated. Finally, in Section 7, some concluding remarks are presented

Kết quả (Việt) 1:

Ngoài ra, các thí nghiệm với nhiều các thuật toán phân loại khác trên preprocessed datasets sẽ được thực hiện để hiển thị các hành vi của các kỹ thuật tiền xử lý với máy phân loại khác nhau. Đây là k-NN [39], một hỗ trợ Vector Machine (SVM) [13,51], lặp đi lặp lại cắt tỉa gia tăng sản xuất lỗi giảm (RIPPER) [12] và một phần [16]. Do hạn chế về chiều dài, kết quả của họ chỉ được bao gồm trên trang web liên kết với giấy này có sẵn tại. Trang web này cũng bao gồm các thông tin cơ bản của bài báo này, datasets được sử dụng và thiết lập thông số cho tất cả các thuật toán phân loại.Phần còn lại của bài báo này được tổ chức như sau. Phần 2 trình bày vấn đề mất cân bằng số liệu. Phần 3 được dành cho các động lực đằng sau chúng tôi mở rộng của SMOTE. Tiếp theo, phần 4 mô tả khuôn khổ thử nghiệm. Phần 5 bao gồm các phân tích của các kết quả thử nghiệm, và phần 6 vạch ra các kết quả và sự phù hợp của IPF cho vấn đề điều trị. Cuối cùng, trong phần 7, một số nhận xét kết luận được trình bày

Kết quả (Việt) 2:

Ngoài ra, các thí nghiệm với nhiều thuật toán phân loại khác trên bộ dữ liệu tiền xử lý sẽ được thực hiện để cho thấy hành vi của các kỹ thuật tiền xử lý với phân loại khác nhau. Đây là k-NN [39], một Support Vector Machine (SVM) [13,51], lặp đi lặp lại Incremental Tỉa để sản xuất giảm Lỗi (Ripper) [12] và PART [16]. Do hạn chế về chiều dài, kết quả của họ chỉ bao gồm trên web trang kết hợp với nghiên cứu này, có sẵn tại. Web-page này cũng bao gồm các thông tin cơ bản của bài viết này, các bộ dữ liệu được sử dụng và thiết lập thông số cho tất cả các thuật toán phân loại.
Phần còn lại của bài viết này được tổ chức như sau. Phần 2 trình bày các vấn đề mất cân bằng dữ liệu. Phần 3 được dành cho những động cơ đằng sau phần mở rộng của chúng tôi đánh bại. Sau đó, phần 4 mô tả khuôn khổ thử nghiệm. Phần 5 bao gồm việc phân tích các kết quả thí nghiệm, và phần 6 vạch ra các kết quả và sự phù hợp của IPF cho vấn đề điều trị. Cuối cùng, tại Mục 7, một số nhận xét ​​kết luận đều có phần