《表3 VBTGMM和6个对比算法在8个公开数据集上的45次随机划分实验的错误率和AUC值的平均值 (标准差)》

  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

《一种基于截断高斯先验和变分贝叶斯的多分类算法》

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

表3是45次实验的错误率和AUC值的平均值（和标准差）.一些算法在一些数据集上无法在可容忍时间内运行出结果，我们用（Time Limit Exceeded，TLE）标记.8个数据集是以类别数排序，类别数从左至右逐渐增大.可以看出，当类别数较小时（比如4或6），各种算法区别不大.但当类别数增大时，VBTGMM在错误率和AUC两个指标下均有优秀表现.注意到同为基于贝叶斯的算法，mRVM1和mRVM2在训练集变大时，便无法在可接受的时间内运行结束.而正如之前的理论分析，由于VBTGMM将矩阵求逆时基样本数从降至平均的，拥有相对较小的时间消耗.值得一提的是，当数据集的类别数达到100时，4个对比算法都无法在合理时间内运行出结果，而剩下2个对比算法在也错误率和AUC上，与VBT-GM M相差甚远.能在100类这种大类别上达到一个比较理想的结果，得益于在TGMM中，权重在初始时是一个的向量.而同类算法的权重是一个会随类别数增加而增加的矩阵.更多的权重带来的过拟合导致它们在测试集上的表现不佳.