As always, I strongly advice you to

As always, I strongly advice you to not use your favorite algorithm on every problem. You should at least be spot-checking a variety of different types of algorithms on a given problem.

For more on spot-checking algorithms, see my post “Why you should be Spot-Checking Algorithms on your Machine Learning Problems”.

That being said, decision trees often perform well on imbalanced datasets. The splitting rules that look at the class variable used in the creation of the trees, can force both classes to be addressed.

If in doubt, try a few popular decision tree algorithms like C4.5, C5.0, CART, and Random Forest.

Results (Thai) 1:

เป็นเสมอ ผมขอแนะนำคุณใช้อัลกอริทึมของคุณชื่นชอบกับทุกปัญหา คุณควรที่จะ spot-checking ความหลากหลายของชนิดของอัลกอริทึมบนปัญหากำหนดสำหรับข้อมูลเพิ่มเติมเกี่ยวกับอัลกอริทึม spot-checking ดูโพสต์ของฉัน "ทำไมคุณควรจะ Spot-Checking อัลกอริทึมบนของเครื่องการเรียนรู้เกี่ยวกับ"ที่ถูกกล่าวว่า ต้นไม้ตัดสินใจมักจะทำดีใน datasets ขาดดุล กฎการแยกที่มองไปที่ตัวแปรคลาสที่ใช้ในการสร้างต้นไม้ สามารถบังคับทั้งสองประเภทต้องได้รับหาก มีข้อสงสัย ลองอัลกอริทึมต้นไม้ตัดสินใจนิยมกี่ เช่น C4.5, C5.0 รถเข็น ป่าสุ่ม

Results (Thai) 2:

และเช่นเคยผมขอแนะนำให้คุณได้ใช้อัลกอริทึมที่คุณชื่นชอบในทุกปัญหา อย่างน้อยคุณควรจะมีจุดตรวจสอบความหลากหลายของประเภทที่แตกต่างกันของขั้นตอนวิธีในการแก้ปัญหาที่กำหนด.

สำหรับข้อมูลเพิ่มเติมในขั้นตอนวิธีการจุดตรวจสอบดูโพสต์ของฉัน "ทำไมคุณควรจะจุดตรวจสอบอัลกอริทึมในการเรียนรู้ปัญหาเครื่องของคุณ."

ที่ถูกกล่าวว่า ต้นไม้การตัดสินใจมักจะทำงานได้ดีในชุดข้อมูลที่ไม่สมดุล กฎแยกที่มีลักษณะที่ตัวแปรระดับที่ใช้ในการสร้างต้นไม้สามารถบังคับให้เรียนทั้งสองได้รับการแก้ไข.

หากมีข้อสงสัยลองไม่กี่ขั้นตอนวิธีการที่เป็นที่นิยมเช่นต้นไม้ตัดสินใจ C4.5, C5.0, รถเข็นและสุ่มป่า .

Results (Thai) 3:

เช่นเคย ผมขอแนะนำให้คุณไม่ได้ใช้วิธีที่คุณชื่นชอบในทุกปัญหา อย่างน้อยคุณควรจะตรวจสอบจุดความหลากหลายของประเภทที่แตกต่างกันของอัลกอริทึมที่ระบุปัญหาสำหรับข้อมูลเพิ่มเติมเกี่ยวกับจุดตรวจสอบขั้นตอนวิธี เห็นโพสต์ของฉัน " ทำไมคุณควรตรวจสอบจุดขั้นตอนวิธีในเครื่องของคุณ ปัญหาการเรียนรู้ที่ถูกกล่าวว่า ต้นไม้ การตัดสินใจ มักจะทำได้ดีในจินตนาการจากชุดข้อมูล การแยกกฎที่ดูชั้นเรียนตัวแปรที่ใช้ในการสร้างต้นไม้ สามารถบังคับทั้งชั้นเรียนที่จะ addressedหากมีข้อสงสัยลองไม่กี่ที่นิยมเช่นโปรแกรม C4.5 ขั้นตอนวิธีต้นไม้ตัดสินใจ , แบบ c5.0 , รถเข็น , ป่า