Even though SMOTE achieves a better

Even though SMOTE achieves a better distribution of the number of examples in each class, when used in isolation it may obtain results that are not as good as they could be or it may even be counter-productive in many cases. This is because SMOTE presents several drawbacks related to its blind oversampling, whereby the creation of new positive (minority) examples only takes into account the closeness among positive examples and the number of examples of each class, whereas other characteristics of the data are ignored – such as the distribution of examples from the majority classes. These drawbacks, which can further aggravate the difficulties produced for noisy and borderline examples in the learning process, include:
(i) the creation of too many examples around unnecessary positive examples which do not facilitate the learning of the minority class, (ii) the introduction of noisy positive examples in areas belonging to the majority class and (iii) the disruption of the boundaries between the classes and, therefore, an increase in the overlapping between them. In order to overcome these problems, two different approaches are followed in the literature:

Kết quả (Việt) 1:

Mặc dù SMOTE đạt được một phân phối tốt hơn số lượng các ví dụ trong mỗi lớp học, khi được sử dụng trong sự cô lập nó có thể có được kết quả không tốt như họ có thể hoặc thậm chí có thể cập nghiệp trong nhiều trường hợp. Điều này là do SMOTE trình bày một số hạn chế liên quan đến các oversampling mù, theo đó sáng tạo mới tích cực (thiểu số) ví dụ chỉ đưa vào tài khoản gần gũi trong số các ví dụ tích cực và một số ví dụ của mỗi lớp học, trong khi các đặc tính khác của dữ liệu được bỏ qua-chẳng hạn như việc phân phối các ví dụ từ các lớp học phần. Những hạn chế, có thể tiếp tục làm trầm trọng thêm những khó khăn được sản xuất cho ví dụ ồn ào và đường biên giới trong quá trình học tập, bao gồm:(i) tạo ra quá nhiều ví dụ xung quanh thành phố ví dụ thuận không cần thiết mà không tạo điều kiện học tập của lớp học dân tộc thiểu số, (ii) giới thiệu ồn ào ví dụ tích cực trong các lĩnh vực thuộc lớp đa và (iii) sự đổ vỡ của ranh giới giữa các lớp học, và do đó, sự gia tăng sự chồng chéo giữa chúng. Để khắc phục những vấn đề này, hai cách tiếp cận khác nhau đang theo sau trong văn học:

Kết quả (Việt) 2:

Mặc dù đánh bại đạt được một phân phối tốt hơn về số lượng mẫu trong mỗi lớp học, khi được sử dụng trong sự cô lập nó có thể có được kết quả đó là không tốt như họ có thể hoặc thậm chí nó có thể phản tác dụng trong nhiều trường hợp. Điều này là do đập trình bày một số hạn chế liên quan đến oversampling mù của nó, nhờ đó mà việc tạo ra tích cực (thiểu số) ví dụ mới chỉ đưa vào tài khoản của sự gần gũi giữa các ví dụ tích cực và số ví dụ về từng lớp, trong khi các đặc điểm khác của dữ liệu được bỏ qua - chẳng hạn như sự phân bố của các ví dụ từ các lớp học đa số. Những hạn chế, mà hơn nữa có thể làm trầm trọng thêm những khó khăn sản xuất cho các ví dụ ồn ào và đường biên giới trong quá trình học tập, bao gồm:
(i) việc tạo ra quá nhiều ví dụ trên ví dụ tích cực không cần thiết mà không thuận lợi cho việc học tập của lớp thiểu số, (ii) giới thiệu các ví dụ tích cực ồn ào tại các khu vực thuộc lớp đa số và (iii) sự phá vỡ các ranh giới giữa các lớp và, do đó, sự gia tăng sự chồng chéo giữa chúng. Để khắc phục những vấn đề này, hai cách tiếp cận khác nhau được theo sau trong văn học: