《表3 算法的调参设置及最高整体精度》

  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

《基于Twitter数据的地点分类方法研究》

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

应用监督学习算法，建立各地的时空-内容特征与类型的映射。随机选取35%的地点作为训练样本，其余为测试样本。为取得最佳分类效果，研究选取几种最流行的监督学习算法进行对比:多层感知器（multilayer perceptron，MLP）算法，由输入、输出、隐藏层组成，利用反向传播技术完成模型训练[16]；决策树（decision tree，DT）算法，通过属性测试构成节点，以自上而下的方式，尽可能减少结果的信息混乱程度[17]；随机森林（random forest，RF）算法，通过批量建立决策树，一定程度上提高了泛化能力[18]；支持向量机（support vector machine，SVM）算法，通过构建非线性函数，获取超平面进行决策[19]。以上算法经由weka[20]构建和参数调优，通过比较各算法在参数调优过程中取得的最佳整体精度（正确分类的样本数占总测试样本数的比值，见表3），最终选定MLP算法用于本研究。