《表5 多模型实验对比结果》

  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

《一种基于树搜索的层次多标签乳腺疾病分类诊断方法》

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

子集准确率（subset accuracy）判断为真需要满足算法预测的标签集合等于目标集合。由于多标签分类的输出空间较大，完全准确地预测每一个集合中的标签并不容易，所以子集准确率通常提升不明显。首先，通过本文层次标签树多分类方法，这项指标提升至70.3%。同时，由标签树的分层结构，保留标签之间的依赖关系，可以对训练数据集进行有效划分，从而减少计算性能。通过对比逻辑回归模型和KNN模型分别提高了16%和8%，所以使用标签树有效避免了传统多标签分类样本空间过大导致分类效果欠佳的问题。准确率、精度、召回率和F1四类指标同样也作为算法常规的评价标准，层次多标签与其他模型进行比较的结果见表5。