《表6 以C4.5为分类器时不同方法的AUC值》

  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

《结合样本局部密度的非平衡数据集成分类算法》

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

由表5的实验结果可知，LADBMOTE在C4.5、SMO和KNN分类器上的分类效果相比于对比算法的优势较大，而采用NB和MLP分类器时，LADBMOTE的优势较小。当采用MLP分类器时，TWD-IDOS的平均分类效果要优于LADBMOTE。由于篇幅限制，表6列出了各个算法在20个数据集上的具体分类效果，分类算法采用C4.5，K设置为6，集成规则为Sum，评价指标为AUC值。根据表6实验结果可知，本文提出的LADBMOTE在绝大部分数据集上的分类效果都要优于对比算法。而TWD-IDOS在ecoli1、glass6、ecoli3、yeast1v7、glass4和yeast2v8数据集上的分类效果比LADBMOTE好。