《表7 测试集上的准确率：基于CMAES集成学习方法的地表水质分类》

  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

《基于CMAES集成学习方法的地表水质分类》

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

%

具体来说：在传统机器学习模型中，LR和LDA模型不能有效预测级别Ⅴ，而级别Ⅴ表示水质很差，正确预测该级别十分重要，因此这两个模型最不适合用于水质预测。LR、LDA和SVM模型不能较好预测级别I，导致这些模型整体性能不佳。在所有传统的机器学习模型中，DT模型在所有水质级别的预测性能都较为稳定。在集成模型中，随机森林有效避免了决策树对训练集的过度拟合问题，并且能够在高维数据上很好地工作。本案例研究中的数据维数较低（只有4个水质变量），因此随机森林的结果与单一决策树没有显著差异。结合决策树和随机森林，深度级联森林实现了更高的集成与级联结构，该模型将继续训练，直到性能不再提高，使模型适用于不同规模的训练数据。CMAES集成学习方法在测试集上的Fβ值达到97.70%，准确率Acc达到97.42%，均为最高值，且CMAES的自适应过程使该集成学习模型不易陷入局部最优。综上所述，CMAES集成学习方法的表现最佳，优于其他模型。