CART uses |P | + |N | examples. CAR

CART uses |P | + |N | examples. CART trains only one
classifier, so it indicates the time baseline.
Running times of these methods are recorded in Table III, on a computer with a 3.0-GHz Intel Xeon CPU. It shows that Chan, Easy, and Cascade are as efficient as Under. The most expensive ones are SMB and Over, followed by Ada and Asym, and then by SMOTE.

D. Results and Analyses
The average AUC of the compared methods are summarized in Tables IV and V. On car, ionosphere, letter, phoneme, sat, and wdbc, Ada achieves very high AUC values, which are all greater than 0.95. Applying class-imbalance learning methods on these data sets is not necessarily beneficial. On the other ten data sets, Ada’s AUC values are not high, and these data sets seem to suffer from class-imbalance problem. Therefore, we divide the 16 data sets into two groups. The first group contains 6 “easy” tasks, on which the AUC values of Ada are greater than 0.95. The second group contains
10 “hard” tasks, on which the AUC values of Ada are lower than 0.95. The AUC results are shown separately in
Tables IV and V.3 The results of t-test (significance level at 0.05) of AUC are also shown separately in the upper and

Kết quả (Việt) 1:

Sử dụng giỏ hàng | P | + | N | Ví dụ. GIỎ xe lửa duy nhấtloại, do đó, nó chỉ ra cơ sở thời gian.Thời gian chạy của những phương pháp này được ghi lại trong bảng III, trên một máy tính với một 3.0 GHz Intel Xeon CPU. Nó cho thấy rằng Chan, dễ dàng và thác có hiệu quả như dưới. Những cái đắt nhất là SMB và lên, tiếp theo của Ada và Asym, và sau đó bởi SMOTE.D. kết quả và phân tíchTrung bình AUC của các phương pháp so sánh được tóm tắt trong bảng IV và V. Trên xe, tầng điện ly, thư, âm vị, thứ bảy, và wdbc, Ada đạt được rất cao giá trị AUC, là tất cả hơn 0.95. Áp dụng phương pháp học tập lớp sự mất cân bằng trên các tập dữ liệu là không nhất thiết phải có lợi. Trên các khác mười bộ dữ liệu, giá trị AUC của Ada không cao, và các bộ dữ liệu dường như bị mất cân bằng lớp vấn đề. Vì vậy, chúng ta phân chia các bộ dữ liệu 16 thành hai nhóm. Nhóm đầu tiên có 6 nhiệm vụ "dễ dàng", mà trên đó các giá trị AUC của Ada là lớn hơn 0.95. Nhóm thứ hai chứa10 "cứng" nhiệm vụ, mà trên đó các giá trị AUC của Ada là thấp hơn 0.95. Kết quả AUC sẽ được hiển thị một cách riêng biệt trongBảng IV và V.3 kết quả t-test (tầm quan trọng cấp tại 0,05) của AUC cũng sẽ hiển thị một cách riêng biệt ở phía trên và

Kết quả (Việt) 2:

Toán sử dụng | P | + | N | ví dụ. Toán luyện chỉ có một
phân loại, vì vậy nó chỉ ra cơ sở thời gian.
Thời gian chạy của các phương pháp này được ghi trong Bảng III, trên một máy tính với một 3.0 GHz CPU Intel Xeon. Nó cho thấy rằng Chan, dễ dàng, và Cascade là hiệu quả như dưới. Những cái đắt tiền nhất là SMB và Over, theo sau Ada và Asym, và sau đó bằng cách đánh bại.

D. Kết quả và phân tích
AUC trung bình của phương pháp so sánh được tóm tắt trong Bảng IV và V. xe, tầng điện ly, lá thư, âm vị, ngồi, và wdbc, Ada đạt giá trị AUC rất cao, mà tất cả đều lớn hơn 0,95. Áp dụng phương pháp học tập đẳng cấp mất cân bằng các bộ dữ liệu không nhất thiết phải có lợi. Trên mười bộ dữ liệu khác, giá trị AUC của Ada là không cao, và những bộ dữ liệu dường như bị vấn đề đẳng cấp mất cân bằng. Do đó, chúng tôi chia bộ 16 dữ liệu thành hai nhóm. Nhóm đầu tiên gồm 6 nhiệm vụ "dễ dàng", mà trên đó các giá trị AUC của Ada là lớn hơn 0,95. Nhóm thứ hai gồm
10 nhiệm vụ "khó", mà trên đó các giá trị AUC của Ada là thấp hơn 0,95. Kết quả AUC được hiển thị một cách riêng biệt trong
bảng IV và V.3 Các kết quả của t-test (mức ý nghĩa 0,05) của AUC cũng được hiển thị riêng biệt ở phía trên và