《表1不同参数值下的分类结果（macroF1值）》

  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

《基于网络子图表示的铁路运输安全事故分类方法》

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

在利用GCN-LASE模型进行计算的时候，设置图神经网络模型结构的层数为3，每一层的神经节点个数分别为30，30，1，主要用到的参数有训练的训练循环次数Epo、学习率lrate、采样间隔sam＿i、Dropout rate（drop）。表1展现了在不同参数下，加入子网络和边属性的网络结构训练和分类的部分结果。其中，训练集的数据比例为0.7，验证集的数据比例为0.2，测试集的数据比例为0.1。因microF1值变化趋势与macroF1值相同，故此处只用macroF1进行说明。以决策树最优效果为基线，明显的，基于子网络的图网络表示学习方法在多数情况下的分类效果比效果基线具有很大的提升，如图4所示。特别的，基于子网络的图网络表示学习方法在分类的最优效果上相比决策树的最优结果提升了约9个百分点，达到75.1%，有效的说明了引入边属性信息可以有效的提升事故的分类效果。