《表3 不同算法采用不同特征组合时的准确率》
9种不同有监督学习算法采用10种不同特征组合,构建的模型准确率如表3及图2所示。结果表明,不同算法采用不同特征组合时的模型准确率在0.633~0.899范围,多层感知机(MLP)表现最好,其准确率均值为0.888,其次是K–近邻(KNN)算法,准确率平均值为0.851,再次为极限树(ET),其准确率均值为0.821。这3种算法对特征的选择依赖性不强,多层感知机(MLP)对特征变化反应最弱,不同特征组合下其准确率在0.862~0.899范围;K–近邻(KNNN)算法次之之,不同特征征组合下其准准确率在0.817~0.881范围;而极限树(ET)算法仅当当采用特征组合F–7,F–8时准确率稍稍低于0.8。除除了前述3种算算法以外,其其余算法准确确率均值均小小于0.80,且对特特征的选择较较敏感,AdaaBoost(AB)算算法准确率波动最大,采用特特征组合F–7时达最小小为0.633,采用用特征组合F–2和F–6时准确率达最大为0.817。采用特征组合合F–2时,不不同算法的平平均准确率最大为0.826,其其次为采用特特征组合F–6时(算法的平均均准确率为00.821),采用用特征组合F–7时算法的平平均准确率最低为0.738。。采用特征组组合F–1,F–2,F–6,F–9,F–10且选选择多层感知知机(MLP)算法时时,模型准确确率达最大为为0.899。
图表编号 | XD00177191700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 汤志立、徐千军 |
绘制单位 | 清华大学水沙科学与水利水电工程国家重点实验室、北京京投城市管廊投资有限公司、清华大学水沙科学与水利水电工程国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |