《表4 不同算法在21个标签的AUC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

《一种中医辨证多标记学习算法的设计及实现》

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

从测评指标来看，ML＿RDT模型表现较为稳定，在每一折上的波动较小（图2）。从表2可以看出，三种基于依赖树的模型在所有的测评指标上都呈现ML＿RDT表现最佳、ML＿PDT次之、ML＿DT最差，这表明对模型进行正反例依赖树比较和预测结果修正的优化有效地提升了模型效果。从表3可以看出，ML＿RDT在Hamming loss、Coverage、Ranking loss、Average precision上表现最佳，One error表现较ML＿KNN略差，但优于ML＿RBF和BP＿MLL算法。从表4可以看出，ML＿RDT的AUC（max=1.00，min=0.88，avg=0.97），ML＿KNN的AUC（max=1.00，min=0.50，avg=0.74），ML＿RBF的AUC（max=0.77，min=0.50，avg=0.66），BP＿MLL的AUC（max=0.78，min=0.50，avg=0.54），ML＿RDT在各个标签下的AUC表现全面优于其他算法。总体而言，ML＿RDT综合表现优于ML＿KNN、ML＿RBF和BP＿MLL算法。