《表1 五种方法在训练集上的评价指标》
提示：宽带有限、当前游客访问压缩模式
从表1～2可以看出，本文方法相较于其他方法，ROCC和LCC值有较大提高，表明本文方法与主观评价结果更相符，有更好的主观感知一致性。
| 图表编号 | XD00163220500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.07.10 |
| 作者 | 孙荣荣 |
| 绘制单位 | 上海市计量测试技术研究院 |
| 更多格式 | 高清、无水印（增值服务） |
![表3 本文方法与文献[1,14,15]方法在筛选数据集上的评价指标对比](http://bookimg.mtoou.info/tubiao/gif/JSJY202008034_08200.gif)
相关图表
- 《表1 各算法在测评数据集上的评价指标对比》2020.06.15
- 《表3 五种算法在9个数据集上的平均分类正确率对比》2021.03.10
- 《表2 不同方法在NCBI-disease和JNLPBA数据集上的评价指标对比》2021.02.10
- 《表1 不同算法在测试数据集上的客观评价指标》2021.01.25
- 《表3 本文方法与文献[1,14,15]方法在筛选数据集上的评价指标对比》2020.08.10
- 《表5 5种特征选择方法在非均匀训练集上的性能比较》2020.12.25
- 《表4 5种特征选择方法在均匀训练集上的性能比较》2020.12.25
- 《表4 2种方法在4组电池数据集上的预测性能评价》2020.11.24
- 《表2 不同模型在测试集上的评价指标》2021.02.01
- 《表5 不同方法在未加噪声的点云图像船舶数据集上的分类准确率、F1分数和训练时间》2020.08.25
- 《表6 不同方法在自建的点云图像船舶数据集上的分类准确率、F1分数和训练时间》2020.08.25
- 《表7 不同方法在悉尼城市目标数据集上的分类准确率、F1分数和训练时间》2020.08.25
- 《表2 五种方法在测试集上的评价指标》2020.07.10
- 《表1 单任务训练与多任务训练在测试集上的表现》2020.05.25
- 《表1 分割网络在不同数据集上训练的模型在测试集上的测试结果(%)》2020.01.30
- 《表3 不同方法在不同测试集上的评价结果》2019.10.25
- 《表1 在ECSSD数据集上的各个评价指标值》2019.05.25
- 《表1 MIVC模型和其他流行的方法在MSVD数据集上的指标对比》2019.07.10
- 《表6 基于F1评价指标, FeCTrA与6种基准方法在Relink数据集上的平均性能比较》2019.05.01
- 《表7 基于F1评价指标, FeCTrA与6种基准方法在AEEEM数据集上的平均性能比较》2019.05.01