《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》

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

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。