《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》
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。
图表编号 | XD00192382400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.10 |
作者 | 张又文、冯斌、陈页、廖伟涵、郭创新 |
绘制单位 | 浙江大学电气工程学院、浙江大学电气工程学院、浙江大学电气工程学院、浙江大学电气工程学院、浙江大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |