《表1 0 变精度β=0.8的分类精度》
提示：宽带有限、当前游客访问压缩模式
条件属性集合C={a，b，c}，决策属性集合D={d}，d将样本划分为small、medium、large等3个类别，简记为S、M、L，见表1.
| 图表编号 | XD00169384700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.07.20 |
| 作者 | 李冬、蒋瑜、鲍杨婉莹 |
| 绘制单位 | 成都信息工程大学软件工程学院、成都信息工程大学软件工程学院、成都信息工程大学软件工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 0 不同分类方法针对SA数据集的分类精度》2021.02.25
- 《表2.3参数估计 (λ=3, r=85, α=0.8, β=0.5)》2018.04.20
- 《表1 1 变精度β=0.9的分类精度》2020.07.20
- 《表9 变精度β=0.7的分类精度》2020.07.20
- 《表8 变精度β=0.6的分类精度》2020.07.20
- 《表1 0 基于SVM的海南岛土地初级分类精度评价》2019.06.01
- 《表3 总体分类精度：基于VMD和MRVM变负荷工况下的滚动轴承故障诊断》2019.12.01
- 《表6 添加方差为0.005的高斯噪声的总体分类精度的均值》2019.12.31
- 《表5 添加方差为0.005的高斯噪声的总体分类精度》2019.12.31
- 《表4 给定效应量下VAS用于食欲评价中所需样本大小(α=0.05,1-β=0.8)》2019.08.15
- 《表1 分析过滤前后样品杂质(固体颗粒物,过滤精度0.8μm)》2019.09.01
- 《表7 τ=0.9时HC1的实例数和分类精度 (Australian信用数据)》2019.04.01
- 《表6 τ=0.8时HC1的实例数和分类精度 (Australian信用数据)》2019.04.01
- 《表5 τ=0.7时HC1的实例数和分类精度 (Australian信用数据)》2019.04.01
- 《表1 0 不同算法对Australian和German信用数据集的分类精度》2019.04.01
- 《表4 τ=0.9时HC1的实例数和分类精度 (German信用数据)》2019.04.01
- 《表3 τ=0.8时HC1的实例数和分类精度 (German信用数据)》2019.04.01
- 《表2 τ=0.7时HC1的实例数和分类精度 (German信用数据)》2019.04.01
- 《表3 基于机器学习C5.0决策树和最大似然法的不同湿地植被分类结果精度评价》2019.05.05
- 《表1 决策信息表：一种新的变精度邻域粗糙集的精度值选取方法》2018.06.25