《表5 使用Wrapper进行特征选择前后的分类效果》

  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

《基于XGBoost算法的地下综合管廊安全状况评估方法》

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

表4～6分别为Filter、Wrapper、Embedded这3种不同的特征选择算法对模型效果的影响。分析表4～6可以发现，特征选择之后模型消耗的时间以及所占用的内存都明显地减少。使用Filter算法对特征进行选择之后，特征变为106维，5个模型的分类效果反而有所下降，表明Filter算法在对特征进行选择时将有用的特征识别为冗余的特征。用Wrapper算法对特征进行选择之后，特征变为112维。其中：LR模型、NC模型与RF模型的分类效果有所下降，SVM模型与XGBoost算法模型的分类效果有所提升，表明Wrapper算法删除了部分在LR模型、NC模型与RF模型模型上表现较好的特征，而这些特征会降低SVM模型与XGBoost模型的效果。Embedded算法对模型进行选择之后只剩下77个特征，模型不仅提升效果最为明显，而且资源占用也有所降低，可见使用Embedded算法进行的特征选择能够最大限度提升XGBoost模型的效果。