《表5 基分类器经过stacking后在测试集Mi 5上的实验结果》
从表3、4可以看出,当分类器对应最优的特征组合时,其性能得到了有效提升,从而进一步验证了所构建的四种特征的有效性。为测试分类器性能是否能进一步提升,需对分类器进行集成和投票。在这两个环节中,首先为分类器选择最优的特征组合,充分发挥每个基分类器的性能;其次,基分类器的性能差异不能太大,需要排除性能相对较低的分类器(GNB);最后,排除相关性较强的分类器(SVM(rbf),DF、RF)以减少同类分类器的重复预测。五种基分类器经过Stacking和投票后,在测试集Mi 5与测试集Samsung Galaxy S7Edge的预测结果见表5~7(注:在Stacking集成方法中,第二层也需要指定分类器,因此,在第二层中本文分别对SVM(linear)、LR、KNN、XGB与MLP进行了测试)。
图表编号 | XD00175580500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.26 |
作者 | 秦成磊、章成志 |
绘制单位 | 南京理工大学信息管理系、南京理工大学信息管理系 |
更多格式 | 高清、无水印(增值服务) |