Standard classification algorithms

Standard classification algorithms are usually unable to correctly deal with imbalanced datasets because they are built under the premise of obtaining the maximum generalization ability. In this manner, these algorithms try to obtain general rules that cover as many examples as possible, benefiting the majority class, while more specific rules that cover the minority class are discarded because of its small presence in the whole dataset. In this way, the minority class examples are treated like noise and therefore, these samples are finally neglected in the classification

結果 (中文) 1:

标准分类算法是通常不能正确处理不平衡数据集，因为它们建立的前提下，获得最大的泛化能力。以这种方式，这些算法尝试获取覆盖尽可能多的例子使用尽可能的最优惠价格惠及多数类，而涵盖少数类别的更具体规则将被丢弃，因其在整个数据集的小存在的一般规则。这种方式，少数类例子就像噪音，因此，这些样品最后忽略在分类

結果 (中文) 2:

标准的分类算法通常无法正确与不均衡的数据集处理，因为他们获得的最大泛化能力的前提下建造的。以这种方式，这些算法试图获得覆盖尽可能多的例子越好，受益多数类一般规则，而覆盖少数类更具体的规则，因为其小的存在，在整个数据集中丢弃。以这种方式，少数类实例视为噪声，因此，这些样品最终忽略在分类

結果 (中文) 3:

标准的分类算法通常无法正确处理不平衡数据集，因为他们获得最大的泛化能力的前提下建立。在这种方式中，这些算法试图获得通用的规则覆盖尽可能许多的例子，有利于大多数类，而更具体的规定，包括少数类是因为其在整个数据集的存在被丢弃的小。在这种方式中，少数类的实例被当作噪声，因此，这些样品是在分类最后被忽视