《表1 分类器的预性能：基于机器学习的光链路建立中的传输质量预测技术》

  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

《基于机器学习的光链路建立中的传输质量预测技术》

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

本文采用的分类器对3种不同数据分类情况的混淆矩阵如图5所示。使用2个度量来评估分类器：分类准确率和假正率。假正率（预测标签为“好的QoT”而实际标签为“差的QoT”）的实例可用于进一步细化考察分类器的预测性能，如表1所示。可以看出，当数据集为情况I时，3种分类器可以达到最高的分类准确率，分别为97.87%、89.63%和99.17%；当数据集为情况II时，3种分类器的分类准确率最低，分别为81.76%、82.5%和86.85%；当数据集为情况III时，3种分类器的分类准确率在前两者之间，分别为96.94%、84.91%和98.06%。通过观察3种情况下假正率与分类准确率之间的关系，很容易发现假正率与分类准确率呈负相关。这表明分类器的准确率越高，分类器的假正率就越低。因此，具有最高分类精度的分类器将具有最佳的整体性能。