《表5 不同Dropout比例对结果的影响》
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
《3D卷积神经网络的结构优化及中枢神经系统药物的识别》
尽管两个卷积层连接两个全连接层时的效果最好,这里仍然可能存在过拟合问题。Dropout是一种可以有效预防神经网络过拟合的方法[31]。由于每次迭代输出层的结果影响着权重的修正,从而影响模型的训练,所以,本文在输出层之前添加Dropout层。如表5所示,在Dropout比例为0.3(0.3Dropout)时,ACC与MCC分别为82.3%,0.647,分别比不使用Dropout时低0.4%,0.09,但其AUC却高出0.007。这是由于使用0.3Dropout时,尽管预测正确的样本数量小于不使用Dropout,但模型对CNS药物的预测值更偏向于1,对non-CNS药物的预测值更偏向于0,即对每个药物的预测值更加接近真实值(1或0),致使AUC值稍微偏大。由于Dropout具有防止过拟合的作用,使用外部测试集来检测它的泛化能力,可以更加全面地评价一个模型的可靠程度。
图表编号 | XD00125600200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 张瑞林、丁彦蕊 |
绘制单位 | 江南大学理学院、江南大学江苏省媒体设计与软件技术重点实验室、江南大学理学院、江南大学工业生物技术教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |