《表4 各模型在数据集A和B上的训练时间》

  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

《多层梯度提升树在药品鉴别中的应用》

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

模型的时间复杂度（此实验仅在CPU环境下）如表4所示。SVM的运行速度具有最为明显的优势，可快速地处理二分类或多分类问题。MLP的训练时间高于SVM，但稍低于XGBoost，主要因为XGBoost是多决策树集成的串行结构，相对耗时。SAE包含预训练阶段，导致其时间复杂度最高。FGBDT是多层的梯度提升决策树，每层构建块由XGBoost构成，因此训练速度低于XGBoost，但高于结构较为复杂的SAE。而CS＿FGBDT与FGBDT的模型结构一致且配置类似，因此两者时间复杂度相似。