《表3 不同结合规则的分类精度》

  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

《基于模糊C-均值的相似性特征转换光滑支持向量机》

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

对于所有的数据集，惩罚参数C=10，并使用了高斯径向基函数（σ=0.5）和对称的S-形核函数（p1=2，p2=0.8）.实验进行了10次随机抽样.由于将多个分类器结合所需要的时间和在子簇上训练出最优分类器所花费的时间比较起来可以被忽略，所以训练时间和测试时间几乎不随结合规则的变化而变化.测试精度反应了算法的泛化能力.表3显示了在训练集和测试集上的平均分类精度.“Ker”是“kernel function”的缩写，“Gau”代表“Gaussian kernel”，“Sig”代表“sigmoid kernel”.