《表2 不同工况识别方法的准确率比较》
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
《基于复原图像特征与深度视觉特征融合的锑粗选异常工况识别》
通过采用3种不同的分类算法进行工况识别比较,分别是随机森林、支持向量机、XGBoost.表2是不同特征组、不同分类算法组合下的工况识别结果.基于传统图像特征对3种分类算法进行比较,可以看出XGBoost的识别准确率要比随机森林和支持向量机高一些.因为随机森林在决策树构建过程中,其样本和特征是随机采样的,最终的分类结果是基于bagging的集成学习思想进行投票表决,所以无法控制模型内部的运行,只能在不同的参数和随机种子之间进行尝试,可能会有很多相似的决策树掩盖了真实的结果,在一定程度上导致模型的稳定性欠缺.而支持向量机主要适用于小样本学习,并且特征维度不能过高,然而本文研究的内容数据样本量大,再加上深度视觉特征的高维特性,无法像树模型那样进行特征的学习和选择降维,所以支持向量机不适用于本文的大样本高维度学习.
图表编号 | XD00201048400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 保江、谢永芳、刘金平、唐朝晖、艾明曦 |
绘制单位 | 中南大学自动化学院、中南大学自动化学院、湖南师范大学信息科学与工程学院、中南大学自动化学院、中南大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |