《表3 五种算法分类精度比较》

  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

《基于FCBF特征选择和集成优化学习的基因表达数据分类算法》

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

为了验证提出方法的有效性，实验首先给出了所提出的方法与四种常用方法，即分别基于Relief F、mRMR、IG、CFS特征选择方法，在六组数据集上的分类结果的对比分析，如表3所示。表3中给出了各个算法得到的分类准确率以及标准方差值。从实验结果可以看出，在这五种模型中，提出的方法取得了最高的分类准确率，而基于Relief F、mRMR、IG、CFS特征选择的方法取得的分类结果明显低于本方法，例如以breast cancer数据集为例，本方法的平均分类精度达到了92.98%，而其他四种方法分别只得到了88.42%、85.57%、83.51%和81.92%的平均分类准确率，同时也说明了通过特征选择和集成分类学习，能有效提高高维基因数据的分类准确率。此外，从标准方差值可见本方法的方差值较小，也证明了该方法具有良好的稳定性。