《表5 尺度上推:不同算法的运行时间比较》
/s
运行时间是衡量一个算法效率高低的重要指标,在数据挖掘领域应用广泛。基于“一次挖掘,多次利用”的思想,基准尺度上得到的分类信息可以多次使用,因此在尺度上推中,核心在于计算尺度转换所需的时间。t1为UAMSC基准尺度训练模型和尺度上推所需的总时间,t2为UAMSC根据基准尺度分类模型上推合成目标尺度分类模型所需的时间。由于分类模型个数远远小于样本个数,对分类模型进行操作所需的时间远远小于对样本直接训练模型所需的时间。不同算法运行时间比较如表5所示。根据表5中的数据发现,随着数据集样本数以及特征数的增多,D tree、LIBSVM、MSCSUA和CFW运行时间呈现显著变化,算法的运行时间变化起伏不大,但明显呈现上升趋势。其中LIBSVM变化比较显著,相对于其他数据集而言,在magic gamma数据集上有较大波动。而本文UAMSC对于总的时间t1而言,相对于大部分数据集,效率有一定提升,仅在magic gamma和H data数据上低于D tree;在上推过程中运行时间t2虽有增加,但变化幅度小,变化趋势最缓慢。因此,在运行时间上,本文算法可行有效,具有一定的优势。
图表编号 | XD00202114100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.05 |
作者 | 张璐璐、赵书良、田真真、陈润资 |
绘制单位 | 河北师范大学计算机与网络空间安全学院、河北师范大学河北省供应链大数据分析与数据安全工程研究中心、河北师范大学河北省网络与信息安全重点实验室、河北师范大学计算机与网络空间安全学院、河北师范大学河北省供应链大数据分析与数据安全工程研究中心、河北师范大学河北省网络与信息安全重点实验室、河北师范大学计算机与网络空间安全学院、河北师范大学河北省供应链大数据分析与数据安全工程研究中心、河北师范大学河北省网络与信息安全重点实验室、河北师范大学数学科学学院 |
更多格式 | 高清、无水印(增值服务) |