《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》
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。
图表编号 | XD00156519100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 林泳昌、朱晓姝 |
绘制单位 | 玉林师范学院计算机科学与工程学院、玉林师范学院计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |