《表2 核函数方法拟合效果》

  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

《基于支持向量机的教学能力认知度研究》

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

从上述调查结果中选出100个样本，其得分用作支持向量机算法的训练集的元素，其余的50个样本的得分当作算法的预测集的元素，对教学能力的认知度逐步分类。用Matalb程序实现算法，学习参数设置为C=1×105，K=1×10-5。对比不同核函数的SVM的分类性能，结果表明：支持向量机核函数选用高斯核的对教学能力认知的正确识别率可以达到了100%，其他二种核函数的支持向量机的识别率都低于100%（比较结果见表2）。经过对比，本文用高斯核函数的支持向量机来作为教学能力认知的鉴别模型，分类图见图2。