《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

  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

《基于集成特征选择的盗窃案件预测方法》

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

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.