This study use two sampling methods

This study use two sampling methods with reducing majority and SMOTE for data imbalance problem, and with the chi-square feature selection method to find the feature that effectively improve the performance of the classifier and training performance, and then based on four machine learning algorithms with decision trees, random forest, XGBoost and KNN to classification. After test by the test set, the correct rate and AUC value are used as indicators for performance evaluation.

結果 (繁體中文) 1:

這項研究使用兩個採樣與降低數據的不平衡問題，多數擊殺方法，並與卡方特徵選擇方法找到有效的提高分類和訓練表現的性能，然後根據四個機器學習算法的功能決策樹，隨機森林，XGBoost和KNN分級。由測試組測試後，正確率和AUC值作為指標進行績效評價。

結果 (繁體中文) 2:

本研究採用兩種採樣方法，減少多數和SMOTE的資料不平衡問題，並採用奇方特徵選取方法，找出有效提高分類器性能和訓練性能的特性，然後基於四種機器學習演算法，對決策樹、隨機林、XGBoost 和 KNN 進行分類。測試組測試後，將正確速率和 AUC 值用作性能評估的指標。

結果 (繁體中文) 3:

本文針對數據不平衡問題，採用了兩種減數抽樣和消烟抽樣的方法，並結合卡方特徵選擇方法，找到能有效提高分類器效能和訓練效能的特徵，然後基於決策樹、隨機林、XGBoost和KNN分類。經測試集測試後，以正確率和AUC值作為效能評估名額。