《表3 尺度上推:不同算法的F-score比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多尺度分类挖掘算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文UAMSC算法以LIBSVM为基础，以基准尺度分类结果为转换对象，实现基准尺度分类模型到目标尺度分类模型的转换。经过尺度划分，基准尺度上得到多个分类模型，不同分类模型所能提供信息具有互补性，可以多层次提供分类信息。每个分类模型学习到的信息各不相同，可以减少过拟合的风险。在尺度上推中，新生成的分类模型综合了多个分类模型信息，在一定程度上减少了数据对模型的敏感性和过多的依赖性，增强了模型的泛化性能。F-score是数据挖掘领域广泛采用的评价性能指标。F-score值越大，表示该分类算法性能越好。从表3中可以看出，UAMSC算法在不同数据集上的F-score值均在80%以上，且均高于其他分类算法，在WDBC和waveform数据集上尤其明显。在针对WDBC数据集的实验中，相对CFW，UAMSC提升了11.4%，对于仅次于UAMSC的MSCSUA，提升了3.7%。在waveform数据集上，相对D tree和MSCSUA，UAMSC分别提升了12.4%和3.2%。与WDBC数据集相比，H data的F-score值提高较少，原因在于H data有较明显的分类特性，对算法的要求比WDBC略低。通过比较不同算法的F-score平均值可以看出，UAMSC要优于其他算法，平均有4.8%的性能提升。