《表3 不同算法采用不同特征组合时的准确率》

  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9种机器学习算法的岩爆预测研究》

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

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。