《表3 在不同集成规则下LADBMOTE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

LADBMOTE结合了MOLAD与基于Bagging的集成学习方法，从而训练出K个分类器，然后利用Kittler提出的5种集成规则将K个分类器的分类结果集成。因此，为了研究Kittler提出的5种集成规则对本文算法的影响，实验将分别采用5种不同的集成规则，在20个数据集上进行分类性能测试。实验中K设置为5，在5种不同分类器上的平均分类结果如表3所示。由表3的实验结果可以看出，当以C4.5、SMO和NB作为集成学习的基分类器时，采用Sum集成规则时的平均分类性能均比其他集成规则下的分类性能要好。当MLP作为基分类器时，采用Max和Product集成规则的平均分类性能要优于其他集成规则下的平均分类性能，而Sum集成规则下的分类效果和Max集成规则下的分类效果非常接近。