《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》
%
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。
图表编号 | XD00139036600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.24 |
作者 | 全聪、李晨亮、吴黎兵 |
绘制单位 | 武汉大学计算机学院、武汉大学国家网络安全学院、武汉大学计算机学院、武汉大学深圳研究院 |
更多格式 | 高清、无水印(增值服务) |