《表2 分类性能对比：基于二阶段迭代的非负矩阵分解的分类模型》

  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

《基于二阶段迭代的非负矩阵分解的分类模型》

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

%

从图2可以看出，在不同规模的训练样本下（10%～100%)，2-STGINMG分类模型比起其他分类模型都能达到更好的分类性能。当只用少于等于30%的训练样本作为训练集时，2-STGINMF在精确率和MF1上也能达到不错的效果。并且，训练样本越少，2-STGINMF在分类性能上比起其他模型的优势却越明显。此外，当使用超过50%的训练样本时，2-STGINMF就可达到接近最优的分类性能。相比之下，其他基线方法仍然需要使用全量数据进行训练，才能达到最优的分类性能。通过这些实验对比表明，迭代模式确实能帮助2-STGINMF分类模型更好地缓解训练样本的稀疏性问题，保证模型在训练样本较少时也能取得不错的分类效果。通过迭代使用分类置信度较高的测试样本，2-STGINMF分类模型在使用较少训练数据的时候就能达到模型的最优性能。