《表4 五种特征选择在SVM上的平均分类精度比较》
表2、表3和表4显示了MBRPSO与SGAI、MIMIC_FS、SRS、Rs、TIE*的实验结果,以及展现了使用不同分类器的同一种特征选择方法在不同数据集下的平均分类精度,最低的预测误差以粗体突出显示。从表中可以看出,MBRPSO算法的分类性能优于其他先进的特征选择方法。由于所选数据分为离散数据和连续数据,以及两类数据和多类数据,这些都会对数据集的分类和预测能力产生影响。对于KNN分类器,在本节的12组实验中,MBRPSO算法在10个数据集中始终优于其他方法,其平均值为84.77%,分别比SGAI、MIMIC_FS、SRS、Rs和TIE*高出6.23%、3.84%、7.03%、7.96%和6.57%。对于NB分类器,MBRPSO算法在8个数据集中始终优于其他方法,其平均值为85.53%,分别比SGAI、MIMIC_FS、SRS、Rs和TIE*分别高出7.09%、9.65%、7.60%、7.61%和4.13%。对于SVM分类器,MBRPSO算法在9个数据集中始终优于其他方法,平均为85.49%,分别高出其他算法6.28%、7.42%、7.25%、6.72%和5.52%。
图表编号 | XD00201604400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.15 |
作者 | 李静星、杨有龙 |
绘制单位 | 西安电子科技大学数学与统计学院、西安电子科技大学数学与统计学院 |
更多格式 | 高清、无水印(增值服务) |