《表3 两种生长/非生长模型拟合优度和预测力比较》

  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

《鱼源腐败希瓦氏菌生长/非生长界面模型的建立和验证》

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

PNN人工神经网络模型训练集一致率为100%，验证集FC为86.67%，但验证集的FAR比Logistic模型高出6.25%。PNN人工神经网络模型能短时间内对生长/非生长数据进行快速分类，且总体准确率较高，但仅能对生长/非生长数据进行分类，无法准确给出生长/非生长界面，仅能输出生长概率0和1的数值，即无法给出具体细致的生长概率，但其快速分类功能可为工业生产提供便利。M.Hajmeer[21]对大肠埃希氏菌（Escherichia coli R31）生长/非生长研究显示，同一组内基于PNN的模型比基于FEBANN(Feedforward error backpropagation artificial neural networks）的模型更精确，且基于二阶logistic回归模型比线性模型更准确，而处理分类问题时PNN人工神经网络模型更优。可能由于研究对象的差异，本文基于PNN人工神经网络模型的验证集准确率低于Logistic模型。两种模型拟合优度和预测力比较如表3所示。