《表2 传统分类器的分类结果比较》

  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

《模糊熵和深度学习在精神分裂症中的应用研究》

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

本实验中首先使用了三种该领域常用的机器学习分类算法，包括支持向量机（SVM）、朴素贝叶斯（NB）以及随机森林（RF）。并且对分类器中的参数进行调优。SVM分类器的参数比较多，其中最重要的是惩罚参数c和核函数参数g两个参数。首先使用RBF核函数，研究表明该核函数相对稳定，其次对于一组取定的c和g，利用十折交叉验证的方法，选取准确率最高的那组c和g作为最佳参数，SVM分类器的参数为：c=1.0，g=0.125；NB分类器中主要选择参数估计方法，有极大似然估计和贝叶斯估计。由于极大似然估计可能导致估计出的概率为0，会影响后验概率的结果，所以NB分类器使用贝叶斯估计；RF分类器中有三个比较重要的参数，分别是最大特征数max＿features、子树数量n＿estimators和最小样本叶min＿sample＿leaf，使用交叉验证的方法得到不同参数组合下的分类准确率，并选择准确率最高的参数组合作为最佳参数，RF的参数为max＿features=auto、n＿estimators=60、min＿sample＿leaf=30。三种分类器的分类结果如表2所示。从表2中可以看到，三种分类器中分类效果最好的是SVM分类器，准确率达到了91.3%，而另外两种分类器的分类准确率分别为89.7%和87.6%。但是这三种分类器无法获取输入数据更深层次的隐含信息，分类准确率无法达到理想的效果。