《表6 不同模型训练时间对比》

  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

《基于遗传算法优化XGBoost的油浸式变压器故障诊断方法》

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

GBDT、XGBoost、Light GBM都是目前机器学习中流行的梯度提升方法，为了对它们的计算量进行对比，读取上述100次随机抽样训练所用的平均训练时间和平均测试时间如表6所示。由表可见，本文所采用的XGBoost与GBDT、Light GBM相比，平均测试时间没有显著差异，但其平均训练时间大幅减少，仅为GBDT平均训练时间的35.6%、Light GBM平均训练时间的16.5%。由于测试阶段的计算量与训练阶段相比可以忽略不计，综合来看XGBoost模型的收敛速度快，训练效率较高。