《表3 4种模型在不同数据集的卡帕系数和运行时间对比》

  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

《基于改进花粉算法的极限学习机分类模型》

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

如图4是MELM、FPA-MELM、ACFPA-MELM、CS-ACFPA-MELM分类模型在10个数据集上的收敛曲线；如表3是MELM、FPA-MELM、ACFPA-ELM、CS-ACFPA-MELM分类模型在10个数据集上的卡帕系数和运行时间。结合图表可知，嵌套迭代机制的MELM模型由于自身的随机性，分类精度提升缓慢，并且都存在很高的迭代次数和运行时间。利用FPA算法优化MELM的初始输入权值和阈值，使MELM的迭代增加了方向性，大大加快了MELM模型的分类精度、卡帕系数以及收敛速度。ACFPA算法在FPA算法的基础上进一步优化了FPA的寻优策略，从而将FPA-MELM模型的的分类精度和运行效率分别提高了1.3%和9.9%；此外，基于代价敏感的适应度函数更加细致地刻画了MELM模型的质量，从而将ACFPA-MELM模型的分类精度和效率提升了0.8%和8.7%；从卡帕系数的对比可知，FPA-MELM、ACFPA-ELM、CS-ACFPA-MELM模型，分别将MELM模型的分类一致性逐步提高了1.63%、1.97%和2.30%，达到了模型预测值和真实值的高度一致性。以上数据验证了基于CS适应度函数和ACFPA算法对MELM模型优化的有效性。