《表1 1 机器学习算法对于链接预测的影响(分类结果融合)》
为探究不同机器学习算法对链接预测的影响,需完成不同机器学习算法下的链接预测实验。此处选择9种不同的机器学习算法,分别是朴素贝叶斯(Naive Bayes,NB)、Logistic回归(Logistic Regression,LR)、XGBoost、LightGBM、多层感知机(Multi-Layer Perceptron,MLP)、随机森林(Random Forest,RF)、Bagging、Voting和Bagging and Voting(BVC)。其中Bagging方法与随机森林类似,都是集成学习方法,其不同点在于基分类器不同。具体来说,随机森林的基分类器为决策树(Decision Tree),而Bagging方法的基分类器可以是任何一种机器学习算法,此处选取LR作为Bagging的基分类器。Voting算法本质上是集成学习算法中的Bagging算法,与RF的不同在于Voting中的基分类器各不相同,此处选取LR、NB和XGBoost作为基分类器。BVC算法是先用Bagging方法构建集成学习分类器,然后用Voting方法在集成分类器的基础上构建集成学习分类器。其他变量固定,网络嵌入维度为100,滑动窗口大小为9,α、β、γ取值分别为0.1、0.9、0,λ、μ、η取值分别为0.3、0.6、0.1,特征构造方法采用“向量相减并取绝对值”的方式,对α、β、γ进行遍历。模型融合方法为网络嵌入融合时,机器学习算法对于链接预测的影响如表10所示。
图表编号 | XD00139936200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 余传明、李浩男、王曼怡、黄婷婷、安璐 |
绘制单位 | 中南财经政法大学信息与安全工程学院、中南财经政法大学统计与数学学院、中南财经政法大学统计与数学学院、中南财经政法大学统计与数学学院、武汉大学信息管理学院 |
更多格式 | 高清、无水印(增值服务) |