《表5 F1-Score评价指标》

  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

《面向非平衡数据集的随机森林算法对学生学业问题的预测分析》

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

注（表6-7与此相同）：0:None.1:Random Undersampling（RU）.2:CNN.3:NearMiss.4:ENN.5:RENN.6:Tomek Links.7:SMOTE.8:Random Oversampling（RO）.9:SMOTEENN.10:SMOTE Tomek

(1）依据F1-Score评价指标的问题学生（少数类）学业表现评价模型选择结果如表5所示.对原始数据集未进行非平衡数据处理的情况下，所列5种模型少数类F1-Score的均值为0.84，最大值为Random Forest分类器的0.85，最小值为Logistic Regression分类器的0.83.对原始数据集采用10种非平衡方法处理时，SMOTEENN抽样方法下5种分类器F1-Score值都达到峰值，其中Random Forest分类器表现最优，F1-Score值为0.98，比未进行采样的情况下F1-Score提高了0.13；热度图2显示，CNN和NearMiss采样下5种分类器对应区域颜色较浅，分类效果一般，SMOTEENN对应区域颜色最深，分类效果最好.