《表1 四种方法的性能比较》

  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

《基于相带划分的孔隙度预测》

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

最后，分别利用本文提出的k-means+RR方法以及MeanShift+RR方法、SVR方法、岭回归方法等进行孔隙度预测实验，并从平均绝对误差（Mean Absolute Error，MAE）、均方差（Mean Square Error，MSE）、中位数绝对偏差（Median Absolute Deviation，MADE）、确定性相关系数（R2）四个方面对比各方法的性能.MAE用于凸显异常值的情况，MSE是预测数据和实际数据对应点误差的平方和的均值，MADE是单变量数据集中样本差异性的稳健度量，R2是预测结果与实际数据的拟合情况.实验结果如图6和表1.图6a是实际的孔隙度，图6b是k-means+RR方法预测的孔隙度，图6c是MeanShift+RR方法预测的孔隙度，图6d是SVR方法预测的孔隙度，图6e是岭回归方法预测的孔隙度.可以看出，SVR、岭回归方法预测的孔隙度低值（蓝色部分）并不符合实际结果（图6d和图6e），而相控法则能较准确地预测孔隙度（图6b和图6c）.从表1可知，k-means+RR方法更接近于真实值，R2达到0.90，而MSE相对比回归方法来说也更低，当消除异常点的干扰时，k-means+RR方法的MADE比SVR和RR方法小接近一半.因此可以看出k-means+RR的性能更优.