《表4 基于5折交叉验证的不同算法测试集准确率》

  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

《基于电子鼻与LightGBM算法判别葡萄酒品种的研究》

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

%

由表4可知，4种算法对葡萄酒鉴别准确率均高于90%，说明电子鼻结合模式识别能有效地判别葡萄酒中葡萄的品种；LightGBM算法取得了最高的判别准确率，说明LightGBM模型通过不断拟合前一棵树的误差能有效提高分类准确率。其次为随机森林算法，说明对于特征值与特征向量进行随机选取构建的“森林”能多气味数据进行较全面的训练与学习，但因没考虑每棵树产生的误差其分类效果劣于LightGBM。通过比较得知，经典的支持向量机算法和神经网络算法在验证集上的效果相对较差，支持向量机平均判别准确率最低为90.53%，并且在第5次交叉验证中准确率为89.29%，在420个验证集中有45个被判别错误，其分类效果不佳。说明支持向量机在对葡萄酒气味信息进行分类时无法寻找到最优的分线性映射函数，无法对多品种的葡萄酒数据构建最优的分类超平面。相较于支持向量机，神经网络展现了较优良的分类效果，在5折交叉验证中其分类准确率均高于90%，并且平均准确率为92%仅次于随机森林算法，说明误差反向传播的神经网络算法通过不断减小误差能达到较好的分类效果，然而每次训练样本仅为1 680个，神经网络无法得到最优的训练，固其分类效果欠佳。