《表2 多标记学习算法的对比实验结果》

  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

《图趋势过滤诱导的噪声容错多标记学习模型》

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

本文实验中随机从数据集中选出2/3作为训练集，剩下1/3作为测试集，由于实验存在随机性，本文实验重复运行30次，求得最后的平均值和标准差。本文所提模型与其他对比模型的实验结果如表2所示，由于每个数据集都是随机划分的，因此表中每个评价指标给出最后结果的平均值和标准差，并将最优值标记为粗体，次优值标记为下划线，最后一行统计了各个算法分别取得最优值和次优值的次数。从表中可以观察到，本文提出的模型GNTML在7个真实数据集的5个评价指标上，66.7%(28/42）情况下取得最优值或次优值，其中38.1%(16/42）的情况下取得最优值，28.6%(12/42）的情况下取得次优值，相比于其他算法有一定的优势。作为多标记学习的经典基本算法BR，由于没有考虑标记之间的关联关系，所以它的结果是很一般的，最优值情况为0%，次优值仅占11.9%。ECC算法通过集成学习结合基方法，由于要将上一个预测的标记结果输入到下一个预测数据集中，所以考虑到了标记关联，因此性能要比BR有了很大的提升，在19.0%情况取得最优值，21.4%取得次优值。ML-k NN算法虽然在Scene数据集上能表现出优异性能，但是在其他数据集上表现却是一般，因此不是很稳定。HONML模型算法也稍弱于GNTML。