《表3 在不同集成规则下LADBMOTE的AUC值》
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。
图表编号 | XD00134719000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 杨浩、陈红梅 |
绘制单位 | 西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、云计算与智能技术高校重点实验室(西南交通大学) |
更多格式 | 高清、无水印(增值服务) |