《表3 基分类模型在均衡数据集上的分类精度》

  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

同时，还测试了所提方法在均衡数据集上的性能表现，以验证其不仅适用于不均衡数据集，同样适用于均衡数据集。选取G40、G47、G42、G51、G75、G41、G52、G45、G44、G61共计10个类的数据，如表3所示，这10类的样本数均约等于G64样本数的1/4，在类间分布比较均匀。同样以NB、LR、KNN、SVM作为基分类模型，卷积核长度为2的TextCNN进行分类模型的训练结果。不同基分类模型及融合后模型在各个类上的分类精度如表3所示。可以看出，相比于基分类模型的最佳性能，融合模型总体精度有了2%的绝对提升。除G47、G41、G52这三类的分类精度介于基分类模型的最佳性能与最坏性能之间，其他类的分类精度均不低于基分类模型的最佳性能。说明本文方法同样适用于均衡数据集。从分类精度的提升程度来看，本文方法更适用于不均衡数据集。