《表1 维数r、m不同取值时PCA-SLPP的分类正确率, 》

  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

《一种基于流形学习的PCA-SLPP特征空间降维方法》

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

为考察不同降维环节截取的降维维数对算法性能的影响，分别选取不同PCA降维维数r、SLPP降维维数m进行实验。表1是本文PCA-SLPP降维方法在参数r和m取不同值时的分类正确率，其中r和m的范围均为1～11，且m≤r。图3是当r分别取7、8、9、10，m取不同值时的分类结果。由图3可看出，当r一定时，分类正确率随着m的增大呈上升趋势，直至平稳，且m从1增大到2时分类正确率提升较大，表明局部结构的保留对分类效果有较大影响。图4是m分别取2、3、4、5时，分类正确率随r的变化情况。由图4可看出:m=2时（m过低），分类正确率不稳定；m=3～5时，分类正确率随着r的减小出现先略微增大后减小的趋势，如当m=5，r从11减小到9时，分类正确率从90.83%上升到97.50%；继续减小r至5，则分类正确率下降到94.17%，表明PCA在逐渐减少主成分个数的过程中，数据间相关冗余逐渐减少，对于分类不利的影响逐渐消除；但减少到一定程度后再次减小，则会使用于分类的有效信息逐步丢失。