《表4 各模型在数据集A和B上的训练时间》
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。
图表编号 | XD00134717500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 杜师帅、邱天、李灵巧、胡锦泉、郑安兵、冯艳春、胡昌勤、杨辉华 |
绘制单位 | 北京邮电大学自动化学院、北京理工大学光电学院、桂林电子科技大学电子工程与自动化学院、北京邮电大学自动化学院、北京邮电大学自动化学院、中国食品药品检定研究院、中国食品药品检定研究院、北京邮电大学自动化学院、桂林电子科技大学电子工程与自动化学院 |
更多格式 | 高清、无水印(增值服务) |