《表1 实验结果：一种基于张量分解的医学数据缺失模态的补全算法》

  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

《一种基于张量分解的医学数据缺失模态的补全算法》

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

首先使用数据补全算法将不完整的特征数据补全，之后使用线性核的支持向量机进行高级别胶质瘤和低级别胶质瘤的二分类任务，最后使用平均分类准确率评估各算法性能，实验流程如图4所示。基准方法包括：补零法、邻近算法、奇异值分解算法[18]、期望最大化算法、低秩矩阵补全[19]、低秩张量补全[20]和基于多向延迟嵌入的Tucker分解算法。实验采取留出法，每次都按照4∶1随机选取训练集和测试集的病人，重复进行高级别胶质瘤和低级别胶质瘤的分类实验，共重复1 000次，计算平均分类准确率，结果如表1所示。