《表5 正负样本比例为1∶1时6种算法的效果对比》

  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

《基于数字内容偏好的多标签分类应用》

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

1)多标签分类算法有效性对比。表5～表7分别给出了不同比例下6种算法的对比实验结果。从表5的实验结果发现，在正负样本为1∶1的数据集中，无论是在汉明损失、F1＿Score和AUC上，Rakel D算法的性能都明显优于其他5种算法，AUC为0.87，F1＿Score为0.82，汉明损失仅为0.06；从表6的实验结果来看，对于正负样本为1∶3的数据集，Rakel D和ETC这2种算法在各项评估指标上的表现相差无几。从表7的实验结果发现:对于正负比例为1∶5的数据集，ML-KNN、Rakel D和ETC这3种算法在各项评估指标上的表现差距甚微。但在建模时间上，ML-KNN算法耗时最长。3种不同比例的样本中使用ML-DT算法，精准率、F1＿Score、召回率均差别不大。