《表3 4种模型在不同数据集的卡帕系数和运行时间对比》
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。
图表编号 | XD00119666800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 邵良杉、李臣浩 |
绘制单位 | 辽宁工程技术大学软件学院、辽宁工程技术大学软件学院 |
更多格式 | 高清、无水印(增值服务) |