《表4 重抽样方法在4种分类器上的AUC值》

  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

《基于条件生成对抗网络的不平衡学习研究》

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

实验对于具有类别重叠的不平衡数据集，利用支持向量机、逻辑回归、决策树及k-近邻分类器评估RECGAN重抽样方法的数据平衡化性能，并与随机过抽样（ROS）、SMOTE、SMOTEENN、ADASYN、FAST-CBUS等重抽样方法的性能进行实验比较.实验中把没有进行任何重抽样处理的分类器的分类效果也作为比较对象之一，以便对各种重抽样方法的性能有更清晰的了解.实验结果主要分两个方面进行分析:一方面是基于不同分类器，结合各种重抽样方法对数据进行分类，比较分类器在所有数据集上的AUC（表4）和F1值（表5）；另一方面是基于不同分类器，在AUC和F1值两种评价准则下，分别比较各种重抽样方法在数据集上的平均排序（表6）.