《表6 Adaboost模型的混淆矩阵》

  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

《基于集成学习的2型糖尿病患者降糖药用药方案智能分类探讨》

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

3模型预测准确率及一致性利用训练数据集建立Adaboost分类模型，然后将测试数据集输入训练好的模型中得到分类预测结果，根据预测结果的混淆矩阵计算分类准确率和Kappa系数。两个模型输出的混淆矩阵如表5、表6所示，在四类用药方案的测试数据集中，单一CART决策树模型正确识别的样本数分别为620、136、59、4；而Adaboost模型正确识别的样本数为625、138、72、5。由此可知，Adaboost算法生成的强分类器模型对四类用药方案的识别准确率均有所提高。根据以上混淆矩阵，分别计算得两个模型的准确率和Kappa系数，即Adaboost模型准确率为64.2%，Kappa系数为0.36；单一CART决策树模型准确率为62.6%，Kappa系数为0.32。可见，Adaboost模型的总体准确率和Kappa系数均优于CART模型，进一步证明了Adaboost在2型糖尿病降糖用药方案决策支持方面的有效性。