《表3 基于弹性网络的多核支持向量回归实验结果》

  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

《基于结构和功能的多模态脑影像与基因变异的关联研究》

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

在表3中显示了利用不同特征及其组合得到的相关系数和均方根误差值。从表3可以看出，提出的多核融合的方法在回归预测中能取得最好的性能。具体如下:在RMSE接近的情况下，采用弹性网络对两个模态的数据进行选择特征之后再用多核支持向量机回归时相关系数最高，能够达到0.5668（按照相关系数的三级划分标准属于显著性相关），均方根误差为0.4619；而采用单一的节点信息或者边的信息对于回归预测来说代表性并不是很好，预测结果与真实标签的相关性最高值在只用边的特征时出现，相关系数为0.3830。很明显通过引入多核的方法可以提高回归预测的准确性，而采用简单的两种特征矩阵拼接的方式融合的特征预测效果总是介于单独使用两种特征的预测效果之间。