14) Oversampling + Random Forests (

14) Oversampling + Random Forests (abbreviated as
Over-RF). A new minority training set is sampled (with replacement) from the original minority class, |Pt| =
|N |. Then, Random Forests is used to train a classifier using Pt and N . The number of iterations is 40.
15) Balanced Random Forests (abbreviated as BRF). Balanced
Random Forests is different from Random Forests in that it uses balanced bootstrap samples of training data. It is different from undersampling + Random Forests, because the latter preprocesses the training data and then learns a Random Forests classifier. Here, we use RandomTree in WEKA to train weak classifiers, which is the same weak classifier learning method used by RandomForest in WEKA. The number of iterations is 40.
The settings of CART are the same. In CART, pruning is used, and impure nodes must have at least ten examples to be split. CART and Ada are baseline methods. All other classifiers have 40 weak classifiers. In Chan, the amount of classifiers is also 40 since the imbalance levels of data sets in Table II are all lower than 40.

Kết quả (Việt) 1:

Oversampling 14) + (viết tắt là ngẫu nhiên rừngOver-RF). Một thiểu số mới đào tạo thiết lập lấy mẫu (với thay thế) từ lớp thiểu số gốc, | PT | =| N |. Sau đó, ngẫu nhiên rừng được sử dụng để đào tạo một loại sử dụng Pt và N. Số lặp đi lặp lại là 40.15) cân bằng ngẫu nhiên rừng (viết tắt là BRF). Cân bằngNgẫu nhiên rừng là khác nhau từ ngẫu nhiên rừng ở chỗ nó sử dụng cân bằng bootstrap mẫu dữ liệu đào tạo. Nó là khác nhau từ undersampling + ngẫu nhiên rừng, vì sau này preprocesses dữ liệu đào tạo và sau đó học một loại ngẫu nhiên rừng. Ở đây, chúng tôi sử dụng RandomTree trong WEKA để đào tạo máy phân loại yếu, đó là phương pháp học tập cùng loại yếu được sử dụng bởi RandomForest ở WEKA. Số lặp đi lặp lại là 40.Các thiết lập của giỏ hàng đều giống nhau. Trong giỏ hàng, cắt tỉa được sử dụng, và các nút không tinh khiết phải có ít nhất mười ví dụ được chia. Giỏ hàng và Ada là phương pháp đường cơ sở. Tất cả các máy phân loại khác có 40 máy phân loại yếu. Trong Chan, số lượng máy phân loại cũng là 40 kể từ khi mức độ mất cân bằng của bộ dữ liệu trong bảng II là tất cả thấp hơn 40.

Kết quả (Việt) 2:

14) Rừng Oversampling + Random (viết tắt là
Over-RF). Một tập huấn tộc mới được lấy mẫu (với sự thay thế) từ lớp gốc thiểu số, | Pt | =
| N |. Sau đó, rừng ngẫu nhiên được sử dụng để đào tạo một phân lớp sử dụng Pt và N. Số lần lặp lại là 40.
15) Rừng Random Balanced (viết tắt là BRF). Balanced
rừng ngẫu nhiên là khác nhau từ rừng ngẫu nhiên ở chỗ nó sử dụng mẫu bootstrap cân bằng các dữ liệu huấn luyện. Nó khác undersampling + Rừng ngẫu nhiên, bởi vì sau này preprocesses dữ liệu huấn luyện và sau đó học được phân loại rừng ngẫu nhiên. Ở đây, chúng tôi sử dụng RandomTree trong WEKA để đào tạo các phân loại yếu, đó là cùng một phương pháp phân loại học tập yếu được sử dụng bởi RandomForest trong WEKA. Số lần lặp lại là 40.
Các thiết lập của Toán đều giống nhau. Trong Toán, tỉa cành được sử dụng, và các nút bất tịnh phải có ít nhất mười ví dụ để được chia. Toán và Ada là phương pháp đường cơ sở. Tất cả các phân loại khác có 40 phân loại yếu. Trong Chan, lượng phân loại cũng là 40 vì mức độ mất cân bằng của các bộ dữ liệu trong Bảng II đều thấp hơn 40.