《表4 M3与数量化Ⅱ类的0.632 Bootstrap比较》
注:(1)第2、3列和第5、6列数据,表示对100组样本进行M3和数量化Ⅱ类计算平均正判别率CDR(%)。(2)第4、7列数据,表示对M3与数量化Ⅱ类计算出的100个CDR进行大小比较,下划线表示累计CDR优胜次数多的一方。(3)***代表p<0.001,**代表p<0.01,*代表p<0.05,△代表p<0.10,NS代表p>
交叉验证是一种将数据样本切割成较小子集的实用方法,该理论由Seymour Geisser提出的,将整个数据集合分成两个部分,训练集合和测试集合,只有训练集才可以使用在模型的训练之中,而测试集必须在模型训练完成之后才被用来评估模型的误差。0.632 Bootstrap是交叉验证的一种,假设有N个样本,有放回的随机从中抽取n次。在第一次抽取时,样本A被选中的概率是1/n,不被选中的概率是1-1/n。每次抽取都是独立的,当抽完n次之后,A一次都没有被抽中的概率是1/e,当Bootstrap样本总数很大的时候,任意一个样本被抽中的概率是1-1/e≈0.632,它是小数据集错误率估计的最好办法。表4将对样本容量N=375、N=750、N=1500三种情况进行0.632Bootstrap推断,检验M3和数量化Ⅱ类的判别性能。
图表编号 | XD00172933600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 赵雪艳 |
绘制单位 | 南昌大学 |
更多格式 | 高清、无水印(增值服务) |