《表2 各模型的分类精度：不均衡数据集下基于CNN的中图分类标引方法》

  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

《不均衡数据集下基于CNN的中图分类标引方法》

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

（注：精度的取值均为四舍五入法保留两位小数，后续处理仍采用相同的方法，不再重复说明。）

在通过交叉验证网格搜索调参后，确定NB、LR、KNN、SVM的最佳参数。以NB、LR、KNN、SVM作为基分类模型，以卷积核长度为2的TextCNN作为融合分类模型进行分类模型的训练。需要说明的是，TextCNN本质上也是使用了二维卷积核，只是其宽度固定为输入数据的长度，对于本实验来说相当于使用大小为（2，21）的卷积核，其中21为类目数。同时，对类概率分布求平均并将其作为朴素贝叶斯的输入，以此作为基线模型。不同基分类模型、基线模型和融合模型在各个类上的分类精度及平均精度如表2所示。可以看出，基分类模型中，NB、LR、KNN、SVM分别在6、7、4、5个类别上取得最佳效果（其中，KNN和SVM对G48类的分类精度相同）。使用融合模型后，相比于基分类模型的最佳性能，总体分类精度有了6%的绝对提升、11%的相对提升。其中，G42、G61、G71、G51、G75、G45、G48、G76、G40共计9个类的分类精度均高于基分类模型，其他类的分类精度则介于基分类模型的最佳性能与最坏性能之间。相比于基线模型平均0.41的分类精度，融合模型的总体分类精度有了19%的绝对提升。基线模型的总体分类精度低于所有基分类模型，且有明显偏向于大类的倾向，在G64、G63、G61上的分类精度高于80%，部分优于本文方法的效果；而在少数类上的分类精度却接近或等于0，远不及本文所提方法的效果，这说明本文方法是有效的。