《表3 准确率测试结果：一种基于SMOTE的不均衡样本KNN分类方法》

  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

《一种基于SMOTE的不均衡样本KNN分类方法》

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

对6个数据集进行准确率测试。从表3的测试结果可以看出，KSID方法在6个数据集上准确率的均值基本大于其他3种方法，即KSID的分类性优于其他3种方法，特别是员工离职数据集，比KNN方法提高了4.2%。这是因为KSID使用逻辑回归进行第一次分类，再使用KNN对第一次分类预测为正样本的数据进行第二次分类，进而提高了模型的准确率。但对于样本量和特征维度较大的广告点击数据集，KSID方法使用SMOTE采样产生较多的伪样本，影响模型对原始样本的分类准确率，使得KSID方法的分类准确率低于SVM决策树方法。