Under is not performing well with A

Under is not performing well with AUC and F-measure. Its AUC and F-measure are lower than that of Ada and Asym on all “easy” tasks and lower than that of many other class- imbalance learning methods on “hard” tasks. Our conjecture is that this is due to the information contained in the majority class which is ignored by Under. Both our proposed methods can improve upon Under, no matter on “easy” tasks or “hard” tasks. This result supports our argument that Easy and Cascade can effectively explore the majority class examples.
Chan uses all the majority class examples, and it generally
has higher AUC and F-measure than Under. However, the results show that on “hard” tasks, its AUC, F-measure, and G-mean are comparable to or slightly lower than that of Cascade, and they are lower than that of Easy on most of the data sets. This implies that using all majority class examples

Kết quả (Việt) 1:

Dưới không hoạt động tốt với AUC và F-biện pháp. AUC và F-biện pháp của nó là thấp hơn của Ada và Asym tại một trong những nhiệm vụ "dễ dàng" tất cả và thấp hơn của nhiều khác imbalance lớp học phương pháp trên "cứng" nhiệm vụ. Phỏng đoán của chúng tôi là rằng điều này là do thông tin trong các lớp học phần lớn bị bỏ qua bởi theo. Cả hai phương pháp được đề xuất của chúng tôi có thể cải thiện sau khi dưới, không có vấn đề về nhiệm vụ "dễ dàng" hoặc "cứng" nhiệm vụ. Kết quả này hỗ trợ các đối số của chúng tôi là dễ dàng và thác có thể có hiệu quả khám phá ví dụ lớp phần lớn.Chan sử dụng tất cả các phần lớn lớp ví dụ, và nó thườngcó cao AUC và F-biện pháp so với dưới. Tuy nhiên, kết quả cho thấy rằng về trách nhiệm "cứng", nó AUC, đo lường F, và G-có nghĩa là tương đương hoặc thấp hơn so với thác, và họ đang thấp hơn dễ dàng trên hầu hết các bộ dữ liệu. Điều này ngụ ý rằng bằng cách sử dụng tất cả các ví dụ về lớp học đa

Kết quả (Việt) 2:

Dưới không hoạt động tốt với AUC và F-measure. AUC và F-measure là thấp hơn so với Ada và Asym trên tất cả các nhiệm vụ "dễ dàng" và thấp hơn so với nhiều phương pháp class- mất cân bằng học tập khác về nhiệm vụ "khó khăn". Phỏng đoán của chúng tôi là điều này là do các thông tin chứa trong lớp phần lớn bị bỏ qua bởi Under. Cả hai phương pháp đề xuất của chúng tôi có thể cải thiện khi Under, không có vấn đề về nhiệm vụ "dễ dàng" hoặc nhiệm vụ "khó khăn". Kết quả này hỗ trợ lập luận của chúng tôi dễ dàng và Cascade hiệu quả có thể khám phá những ví dụ lớp đa số.
Chan sử dụng tất cả các ví dụ lớp đa số, và nó thường
có cao AUC và F-measure hơn Under. Tuy nhiên, kết quả cho thấy các nhiệm vụ "khó khăn", AUC của nó, F-đo lường, và G-trung bình có thể so sánh hoặc hơi thấp hơn so với Cascade, và họ là thấp hơn so với Dễ dàng trên hầu hết các bộ dữ liệu. Điều này ngụ ý rằng việc sử dụng tất cả các ví dụ lớp đa