《表2 SEFV_Bagging算法预测精度与基于全部特征预测精度对比Tab.2 The prediction results of SEVF_Bagging and predic-tion base
由图2可知,集成学习器的准确度和差异性是存在冲突的,一般准确度提高之后,要想增加差异度就需要牺牲准确度.本实验中因为各特征数目参数设置下的SSC_m取值相差较小,故SSC_m的波动幅度较小.但集成学习中准确度与差异度二者之间难以兼得的关系还是能够在图中反映出来的.另一方面从图2不难看出特征选择数目参数设置的变化对准确度评分影响不大,说明SEFV_Bagging集成算法受特征选择数目的影响变化较小,可见该算法具有较强的稳定性和泛化能力.为进一步验证算法有效性,文中将SEFV_Bagging算法预测精度与基于全部特征(记为ALL_Features)预测精度对比,此实验中基于全部特征的预测准确率为0.817 2,结果如表2所示.SEFV_Bagging算法相比较于使用所有特征的性能显著提升,预测准确率最高提升7.18%,且在不同的特征数量参数设置下均取得了良好的结果.
图表编号 | XD002938000 严禁用于非法目的 |
---|---|
绘制时间 | 2018.09.01 |
作者 | 石拓、蒋伟、张晶晶、魏新蕾 |
绘制单位 | 中国传媒大学视听技术与智能控制系统文化部重点实验室、现代演艺技术北京市重点实验室、北京警察学院、中国传媒大学视听技术与智能控制系统文化部重点实验室、现代演艺技术北京市重点实验室、中国传媒大学视听技术与智能控制系统文化部重点实验室、现代演艺技术北京市重点实验室、中国传媒大学视听技术与智能控制系统文化部重点实验室、现代演艺技术北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |
查看“表2 SEFV_Bagging算法预测精度与基于全部特征预测精度对比Tab.2 The prediction results of SEVF_Bagging and predic-tion based on all features”的人还看了
-
- 表2 预测年轮宽度与真实年轮宽度的曲线拟合结果Tab.2 Curve fitting results of predicted annual ring width and real annual ring width