《表2 交叉验证准确率：基于集成学习的测井岩性识别模型的构建》

  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

《基于集成学习的测井岩性识别模型的构建》

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

样本的每个特征属性来源于不同的测量方法，量纲有所不同，因此，本文采用Sklearn库中的StandardScaler类来进行数据的标准化和归一化操作。本文实验是在Python3.7下使用Sklearn和Pandas等库进行实现的，IDE为PyCharm professional edition。硬件环境为Intel（R）Core（TM）i5-3230M [email protected] GHz、8 GBRAM设备。本文采用3折交叉验证方法依次对朴素贝叶斯、随机森林、支持向量机三种岩性识别模型进行训练，并对本文提出的融合模型训练，不同模型的交叉验证准确率见表2。对训练后的模型在测试集上进行预测，不同模型的岩性预测结果见表3，最后对不同模型进行评估检验，结果见表4。