《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》
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。
图表编号 | XD00155677600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.15 |
作者 | 鄢然、郑豪、李蔚 |
绘制单位 | 武汉中原电子集团有限公司、华中科技大学软件学院、华中科技大学武汉光电国家研究中心、华中科技大学武汉光电国家研究中心 |
更多格式 | 高清、无水印(增值服务) |