《表3 不同集成方法在UCMerced_LandUse的分类精度》
/%
选取特征组合(Feature-Combined)以及单一特征(Feature-ResNet),对比其在SVM、Logistic回归、Fine-tune以及Stacking集成学习法等4种方法的分类效果(图8)。由图8(a)、图8(b)可知,在少量训练数据情况下(每类样本中训练数据比例为10%和20%),对同一特征而言,采取简单的Logistic回归和SVM的方法甚至能够取得比在原有神经网络模型的基础之上Fine-tune更好的效果,同时Logistic回归和SVM参数更少,训练方法更为简单,优势也更为明显。因此本文Logistic回归模型作为第一级分类器,利用SVM作为第二级分类器建立Stacking集成分类器,对比单一特征和特征融合的分类精度,试验结果如图8(c)所示。当训练数据较少时,Stacking方法比单纯特征融合(Feature-Combined)的分类精度提高约2.5%,当训练数据比例小于50%时,Stacking方法明显优于任何单一特征或组合特征。此外,选择相同的分类方法作为子分类器,Stacking与Bagging、boosting(本文选用Adaboosting)集成方法的分类精度对比如表3所示,在相同数据集上,Stacking法具有更高的精度。
图表编号 | XD00176457600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 余东行、张保明、赵传、郭海涛、卢俊 |
绘制单位 | 信息工程大学地理空间信息学院、信息工程大学地理空间信息学院、信息工程大学地理空间信息学院、信息工程大学地理空间信息学院、信息工程大学地理空间信息学院 |
更多格式 | 高清、无水印(增值服务) |