ResultsIn the previous section, we

ResultsIn the previous section, we extensively described our methodology to identify themost suitable Supervised Machine Learning algorithm that is well suited to ourBitcoin transactions dataset. Based on the comparison of performance measures ofvarious algorithms and various strategies for class imbalance and hyperparametertuning, we have chosen Gradient Boosting wih 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，我們廣泛介紹我們的方法找出
最適合的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。基於對績效評估的比較
各種算法和類不平衡和超參數各種戰略
調整，我們選擇梯度進行進一步的分析推進王氏默認參數。
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:

結果
在上一節中，我們廣泛描述了我們識別
最適合我們的監督機器學習演算法，非常適合我們的
比特幣交易資料集。基於績效指標的比較
類不平衡和超參數的各種演算法和各種策略
調優，我們選擇了梯度增強wih預設參數進行進一步分析。
本節仲介紹的結果使用所選的漸變提升演算法。

結果 (繁體中文) 3:

結果
在上一節中，我們詳細描述了識別
最適合我們的有監督機器學習算灋
比特幣交易數据集。基於對
類不平衡和超參數的各種算灋和策略
調整時，我們選擇了默認參數的梯度增强進行進一步的分析。
本節給出的結果使用所選的梯度增强算灋。