A data set is class-imbalanced if o

A data set is class-imbalanced if one class contains significantly more samples than the other. In other words, non-events have very large number of records than events in dependent variable.
In such cases, it is challenging to create an appropriate testing and training data sets, given that most classifiers are built with the assumption that the test data is drawn from the same distribution as the training data.

Presenting imbalanced data to a classifier will produce undesirable results such as a much lower performance on the testing than on the training data. To deal with this problem, you can do undersampling of non-events.

Results (Indonesian) 1:

Sebuah set data kelas-seimbang jika satu kelas berisi sampel signifikan lebih daripada yang lain. Dengan kata lain, non-peristiwa memiliki sangat besar jumlah record daripada kejadian di variabel dependen.Dalam kasus tersebut, hal ini menantang untuk membuat pengujian yang tepat dan pelatihan data set, mengingat bahwa kebanyakan kelompok dibangun dengan asumsi bahwa data pengujian diambil dari distribusi yang sama seperti data pelatihan.Menyajikan data classifier yang tidak seimbang akan menghasilkan hasil yang tidak diinginkan seperti kinerja yang jauh lebih rendah pada pengujian daripada pada data pelatihan. Untuk mengatasi masalah ini, Anda dapat melakukan undersampling non-peristiwa.

Results (Indonesian) 2:

Satu set data kelas-ketimpangan jika satu kelas berisi signifikan lebih sampel dari yang lain. Dengan kata lain, non-peristiwa memiliki jumlah yang sangat besar catatan dari peristiwa di variabel dependen.
Dalam kasus tersebut, itu menantang untuk membuat yang sesuai pengujian dan data pelatihan set, mengingat sebagian besar pengklasifikasi dibangun dengan asumsi bahwa data uji diambil dari distribusi yang sama dengan data pelatihan.

Menyajikan Data seimbang untuk classifier akan menghasilkan hasil yang tidak diinginkan seperti kinerja yang jauh lebih rendah dari pengujian dari pada data pelatihan. Untuk mengatasi masalah ini, Anda dapat melakukan undersampling non-peristiwa.