《表4 4 采用特征组组合F–2时不同算法的性能评评价》

  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

根据上述结结果，对采用用特征组合F–2时不同同算法法的精确率（Precision）、召召回率（Recaall）、F1值、宏平平均及微平均均指标进行了了计算，以获获取不同分类类器对对不同类别岩岩爆样本的分分类性能，结结果如表4所示。。不同算法对对无岩爆、轻轻微岩爆、中中等岩爆、强强岩爆类别样本分类的精确率（Precission）分别为0.81～1.00，0.668～0.91，00.57～0.85，00.86～1.00，召回率（Recall）)分别为0.992～1.00，0.54～0.85，0.64～0.93，0.661～0.94，F1值分别为00.86～1.00，0.61～0.83，0.665～0.85，0.72～0.97，如如图3所示。。图3中显示，无无论采用何种种分类器，无无岩爆与强岩岩爆的的F1值均大于于（有些算法法处远大于）轻轻微岩爆和中中等岩岩爆的F1值。由此说明，本文建立的的分类器针对对无岩岩爆和强岩爆爆的分类性能能较强，对轻轻微岩爆和中中等岩岩爆的分类类能力相对较较弱。除了支持向量机机（SVM）、K–近邻（KNN）算法法对无岩爆、强岩爆样本本的分分类能力相同同外，其余算算法对无岩爆爆样本的分类类能力力比对其余类类别的分类能能力要强很多多。尤其是极极限梯梯度提升算法法（XGBoost）)和梯度提升升树（GB）对无无岩爆爆样本的分类类F1值达到了了1，远超其其余岩爆类别别的F1值，这意意味着它们能能够对测试集（分割产生的的占总总数据集3成的样本集集）中的所有无无岩爆样本正正确分分类，同时未未误将其余岩岩爆类别样本本划分为无岩岩爆类类别。