《表7 五种特征选择过滤器在NB上的平均分类精度比较》

  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

《针对高维数据的马尔科夫毯特征选择》

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

表6～8分别给出了算法MBRPSO、IAMB、PCMB、HITON＿MB和MMMB的预测误差，以及同一特征选择方法在不同数据集中的平均分类精度。最低的预测误差以粗体突显。从表中可以看出，MBRPSO的分类性能优于其他马尔科夫毯滤波器，体现出在数据集不满足忠实分布的情况下，引入马尔科夫毯代表集的优势。分析表6得对于KNN，在本节的12组实验中，MBRPSO算法在9个数据集中始终优于其他方法，其平均值为84.77%，分别比IAMB、PCMB、HITOM＿MB和MMMB高4.28%、7.69%、3.48%和6.97%。表7展现出了对于NB，MBRPSO算法在10个数据集中始终优于其他方法，其平均值为85.53%，分别比IAMB、PCMB、HITOM＿MB和MMMB高9.44%、10.07%、5.43%和7.78%。从表8可得，对于SVM，MBRPSO算法在9个数据集中始终优于其他方法，其平均值为85.49%，分别比IAMB、PCMB、HITOM＿MB和MMMB高9.16%、8.97%、7.09%和7.94%。