《表2 算法时间开销：机器学习加速CALYPSO结构预测的可行性》

  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

《机器学习加速CALYPSO结构预测的可行性》

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

从表2可见，不同算法的时间开销差别很大，其中时间开销最大的两种方法是KRR、SVR，由于这两种方法都是核方法，需要先把所有数据都映射到更高维的空间中才能进行拟合，而数据映射的过程耗费大量的时间，因此无论是在训练还是预测时，这两种方法时间开销都比较大。对于MNN，采用分别含有100和30个神经元的两层全连接神经网络，复杂的网络结构使得训练时间较长，而在神经网络模型训练完成后，预测耗时则相对很短。线性回归模型LRR直接对训练数据拟合，因此训练时间非常短，且得到的模型预测耗时较之于训练更少。而对于KNN模型，该模型没有明确的训练过程，因此训练时间非常短。由于本研究采用近邻数量为1的1-NN模型，预测时需要搜索训练集中的每个样本点到测试点的距离，并选取距离最近的一个，因此预测时间相对于训练时间较长。