《表7 基于机器学习的多雄拉隧道岩爆倾向性分析结果》

  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

采用前述的9种分类器对多雄拉隧道岩爆倾向性进行了分析，计算中采用最优的特征组合即F–2（未用特征D和B2），预测结果如表7所示。不同分类器由于其整体准确率及对不同岩爆类别样本的分类性能不同，计算结果有些许差别。当9个分类器的结果不一致时，最终分类结果首先以性能最好的3个分类器（依次为MLP，KNN及ET）投票得出的多数类为准。性能最好的3个分类器无法达成多数类时，再根据所有分类器投票确定的多数类做决定。9个分类器不能确定多数类时，赋予9个分类器不同权重（归一化的准确率），重新投票确定。具体分类流程如图4所示。对于工况1，性能最优的3个分类器的投票结果显示，最优的2个分类器将其分为H类，故综合判定为H类。对于工况2，性能最优的3个分类器的投票结果显示，有2个分类器将其分为M类，故将其综合判定为M类。对于工况3，性能最优的3个分类器均将其分为M类，故将其分为M类。对于工况4，性能最优的3个分类器中有2个分类器将其分为L类，故将其分为L类。