《表2 不同权重参数α下hMuLab算法的实验结果（平均值±标准差）》

  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

《基于静息态功能性磁共振成像的个体认知多标签分类》

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

ML-kNN算法的实验结果表明，当近邻个数为6时，结果总体上最好，所以在进行hMuLab算法实验时，直接选取k=6作为加权k近邻的近邻个数。进而讨论参数α的取值对实验结果的影响。当α=0时，只考虑样本邻域信息，α=1时只考虑特征信息。hMuLab算法的实验结果如表2所示，当只考虑样本邻域信息（α=0）或者只考虑特征信息（α=1）时，结果都不理想，且α=0时的Hamming Loss、Ranking Loss和Coverage比α=1时的值要低，Average Precision比α=1时的值要高，说明从总体而言，α=0的分类结果要优于α=1时的分类结果。进而推断，对于静息态fMRI数据的多标签分类而言，考虑其邻域信息很重要，是在考虑特征信息基础上的重要补充。从表2也能看出，当α=0.5（特征信息权重等于邻域信息权重）时，结果总体上是最好的，α=0.25（邻域信息权重较大）时的结果稍次于α=0.5，但是比α=0.75（特征信息权重较大）的结果要好，进一步说明了考虑邻域信息的重要性。