ResultsIn the previous section, we

ResultsIn the previous section, we extensively described our methodology to identify the most suitable Supervised Machine Learning algorithm that is well suited to our Bitcoin transactions dataset. Based on the comparison of performance measures of various algorithms and various strategies for class imbalance and hyperparameter tuning, we have chosen Gradient Boosting with default parameters for further analysis. The results presented in this section use the chosen Gradient Boosting algorithm.

結果 (繁體中文) 1:

結果
在上一節中，我們廣泛地描述我們的方法，以找出最適合監督的機器學習算法，非常適合於我們的比特幣的交易數據集。基於對各種算法和一流的不平衡和超參數調節各種戰略績效指標的比較，我們選擇梯度進行進一步的分析默認參數推進。在本節中給出的結果使用所選梯度Boosting算法。

結果 (繁體中文) 2:

What is a career like?

結果 (繁體中文) 3:

結果
在前一節中，我們詳細描述了我們的方法，以確定最適合我們的比特幣交易數据集的監督機器學習算灋。在比較了各種算灋的性能指標和針對類不平衡和超參數調整的各種策略的基礎上，選擇了帶默認參數的梯度增强算灋進行進一步的分析。本節給出的結果使用所選的梯度增强算灋。