The performance of our model, Chi-F

The performance of our model, Chi-FRBCS-BigDataCS, has been tested in an experimental study including twenty-four imbalanced big data cases of study. These results corroborate the goodness of the integration of the approaches that are used to solve the imbalanced problem and big data separately, namely the usage of the MapReduce framework and cost-sensitive learning. Furthermore, the synergy between both strategies alleviates some data
intrinsic problems, like the small sample size problem, that are induced because of the way the learning is done.

結果 (中文) 1:

性能的我们的模型，志-FRBCS-BigDataCS，已经过测试中包括二十四不平衡大数据个案研究的实验研究。这些结果证实了善良的集成方法，用于解决大数据与不平衡的问题分开，即使用 MapReduce 框架和代价敏感学习。此外，这两种策略之间的协同作用可以缓解一些数据内在的问题，像小样本问题，由于学习的方式产生。

結果 (中文) 3:

我们的模型的性能，驰FRBCS bigdatacs，已在实验研究中包括二十四例研究测试数据不平衡的大。这些结果证实了善良的集成的方法，用于解决不平衡问题和大数据分开，即MapReduce框架和成本敏感的学习使用。此外，两者之间的战略协同减轻一些数据
固有的问题，如小样本问题，导致由于学习方式。