Solving Imbalanced Problem of Muticlass Data Set with Class Balancer and Synthetic Minority Over-sampling Technique
Article Sidebar
Main Article Content
Abstract
Classifying multiclass data set frequently leads to poor results. Therefore, this research tends to solve imbalanced multiclass data set. We compare the data undergone class imbalance problem solving process with the unsolved data to look for predictive modelling most suitable for imbalanced multiclass data set. As it contains multiple classes, we treat each class equitably. Dispersion of accurate prediction for each class is of result consideration.
ปัญหาการจำแนกประเภทของข้อมูลที่มีลักษณะแบบหลายคลาสในข้อมูลชุดเดียวกัน มักให้ผลลัพธ์ที่ไม่ดีเท่าที่ควร ดังนั้นในงานวิจัยนี้ได้มุ่งเน้นประเด็นการแก้ปัญหาความไม่สมดุลของข้อมูลที่มีลักษณะแบบหลายคลาส จึงได้ทำการเปรียบเทียบข้อมูลที่ผ่านการแก้ปัญหาความไม่สมดุลของคลาสกับข้อมูลปกติที่ยังไม่ผ่านการแก้ปัญหาความไม่สมดุล เพื่อหารูปแบบการทำนายผลที่เหมาะสมกับข้อมูลแบบหลายคลาสที่มีลักษณะความไม่สมดุลของข้อมูล เนื่องจากข้อมูลเป็นแบบหลายคลาส ดังนั้นงานวิจัยนี้จึงได้ให้ความสำคัญกับผลลัพธ์ของแต่ละคลาสอย่างเท่าเทียมกัน การพิจารณาผลลัพธ์ จะดูจากการกระจายของความถูกต้องของการทำนายในแต่ละคลาส
Article Details
It is the policy of ACTISNU to own the copyright to the published contributions on behalf of the interests of ACTISNU, its authors, and their employers, and to facilitate the appropriate reuse of this material by others. To comply with the Copyright Law, authors are required to sign an ACTISNU copyright transfer form before publication. This form, a copy of which appears in this journal (or website), returns to authors and their employers full rights to reuse their material for their own purposes.