《表2 实验结果:基于K近邻和粒子群优化的特征选择算法》
从表2的结果可以看出,通过使用PSO对特征进行选择之后分类精度相比于使用全部特征训练的KNN有很大的提升,通过图2我们可以看出特征选择并不意味着特征越少越好,从图2的第三个小图我们可以看到,当算法在处理HeartEW这个数据集的时候,最后选择的特征数目为9,而不是一开始算法就达到的5个特征,这是因为适应度函数平衡了特征数目和分类精度两个目标,所以算法会在最终迭代结束时用较少的特征争取得到更高的分类精度。而且由图2中的第一个小图我们可以看出,特征选择可以在减少特征的同时得到更高的分类精度,当算法在处理Breastcancer这个数据集的时候,在第十九次迭代的时候,算法选择的特征由8个降低到了7个,但是分类器的准确率却从96.5%提升到了97.1%。综上所述,通过特征选择可以有效降低数据维度,提高算法性能。
图表编号 | XD00139871600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.25 |
作者 | 钟昌康 |
绘制单位 | 四川大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |