《表3 各算法在数据集A和B上的分类准确率》

  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

在分类准确率方面，如表3所示。MLP算法总体表现一般，尤其数据量较小时，其分类准确率明显较低，说明模型没有学到有效信息或者陷入局部最优。而SAE算法解决了神经网络的参数初始化问题，使模型加速收敛，且避开局部最优解，故其类性能优于MLP，同时表明特征分层表示有益于分类。XGBoost算法的准确率与SAE的相似，可知梯度提升树算法对NIR光谱数据有一定的分析能力，但性能劣于SVM。随着训练集增大，SVM的模型优势愈加明显，特别是在二分类实验下，其预测精度达到最高。相比其他模型，FGBDT结合特征分层表示和决策树集成思想，能有效学习数据特征，在各个规模数据下表现十分优越，尤其在小数据量上具有明显的分类优势。在此基础上，FGBDT结合代价敏感学习机制，以提升其分类性能，使得CS＿FGBDT的预测精度更优。