《表3 训练集与测试集：基于AlexNet模型的AD分类》

  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AlexNet模型的AD分类》

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

首先，将conv3、conv4和conv5的各分类组进行PCA降维，保留贡献度在前95%的特征．经过PCA后，所有分类组的特征个数均小于受试者的个数．但是贡献度的排名并不能等同于分类信息的排名，如图3所示，在conv3中AD与LMCI分类组，图3（a）显示第一主成分的贡献率也只占到13%，排名的前50个主成分占到的主成分贡献率也不足50%．由图3（b）可以看出，AD与LMCI并无明显的分界，说明即便第一主成分与第二主成分也不具有较强的分类敏感性．所以需要在训练集进行SFS的特征选择，AD、LMCI与NC每组分别选择随机化后的75例受试者作为训练集，其余均作为测试集，各组分类集与测试集的个数如表3所示．根据各分类组的SFS错误分类比率，大约在第20个特征时，错误分类率达到最低，且误分比率相对稳定．conv3中AD与LMCI分类组中SFS错误分类比率的统计图如图4所示．所以对3个分类组SFS均选取20个特征作为下一步分类器构建．