《表5 不同惩罚系数的SVM训练分类正确率》

  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

《基于支持向量机的线化简方法》

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

经测试，针对本文训练数据，当核函数为高斯核函数和sigmoid核函数时，SVM分类器将测试集全部分为一类，即训练结果无效；当核函数为多项式核函数时，SVM分类器无法收敛，即无法得到训练结果；当核函数为线性核函数时，SVM分类器成功收敛，能有效进行分类。因此，最终获得的最优核函数为线性核函数。另外，分别对节点案例测试集和弯曲案例测试集在不同惩罚系数下的分类正确率进行统计，如表5所示，最终获得的最优惩罚系数为0.8，此时得到的SVM线节点分类器和SVM线弯曲分类器在测试集的分类正确率分别达到81.275%和83.133%。值得注意的是，SVM分类器的分类正确率是指其在测试集对专家化简案例的分类正确率，该指标反映了分类器的训练效果。本文训练得到的线化简SVM分类器达到了较高的分类准确率，说明其对专家化简案例进行了很好的学习。对专家化简案例测试集的分类正确率在一定程度上反映了模型的训练效果，为测试其实际应用效果，使用另一地区的水系数据对该方法进行线要素化简实验，并选用DP算法作为对比。