Classification datasets often have a

Classification datasets often have an unequal class distribution among their examples. This problem is known as imbalanced classification. The Synthetic Minority Over-sampling Technique (SMOTE) is one of the most well-known data pre-processing methods to cope with it and to balance the different number of examples of each class. However, as recent works claim, class imbalance is not a problem in itself and performance degradation is also associated with other factors related to the distribution of the data. One of these is the presence of noisy and borderline examples, the latter lying in the areas surrounding class boundaries. Certain intrinsic limitations of SMOTE can aggravate the problem produced by these types of examples and current generalizations of SMOTE are not correctly adapted to their treatment

Kết quả (Việt) 1:

Classification datasets thường có một phân phối bất bình đẳng cấp trong ví dụ của họ. Vấn đề này được gọi là classification mất cân bằng. Tổng hợp kỹ thuật lấy mẫu trên mặt dân tộc thiểu số (SMOTE) là một trong những nổi tiếng nhất dữ liệu trước khi chế biến các phương pháp đối phó với nó để cân bằng và một số khác nhau ví dụ của mỗi lớp. Tuy nhiên, như tác phẩm gần đây tuyên bố, sự mất cân bằng lớp không phải là một vấn đề trong chính nó và sự xuống cấp hiệu suất cũng được liên kết với các yếu tố khác liên quan đến việc phân phối của dữ liệu. Một trong số này là sự hiện diện của ví dụ ồn ào và đường biên giới, người sau này nằm ở khu vực xung quanh lớp ranh giới. Một số hạn chế nội tại của SMOTE có thể làm trầm trọng thêm vấn đề sản xuất bởi các loại của các ví dụ và các chung chung hiện tại của SMOTE không thích nghi một cách chính xác để điều trị của họ

Kết quả (Việt) 2:

Phân loại các tập dữ liệu fi cation thường có một phân bố lớp đồng đều giữa các ví dụ của họ. Vấn đề này được gọi là mất cân bằng cation fi phân loại. Các dân tộc thiểu số tổng hợp Qua lấy mẫu Kỹ thuật (đập) là một trong những phương pháp dữ liệu nổi tiếng nhất sơ chế để đối phó với nó và để cân bằng số lượng khác nhau của các ví dụ của mỗi lớp. Tuy nhiên, như các tác phẩm gần đây nói, lớp mất cân bằng không phải là một vấn đề trong chính nó và suy giảm hiệu suất cũng được kết hợp với các yếu tố khác liên quan đến sự phân bố của dữ liệu. Một trong số đó là sự hiện diện của các ví dụ ồn ào và đường biên giới, vùng thứ hai trong khu vực xung quanh ranh giới lớp. Một số hạn chế nội tại của đập có thể làm trầm trọng thêm các vấn đề sản xuất bởi các loại ví dụ và khái quát hiện tại của đập không thích nghi một cách chính xác để điều trị