《表4 不同算法在21个标签的AUC对比》
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。
图表编号 | XD00208563800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.20 |
作者 | 杨涛、孙鑫亮、朱垚、胡孔法、周雪忠 |
绘制单位 | 南京大学信息管理学院、南京中医药大学人工智能与信息技术学院、南京中医药大学人工智能与信息技术学院、南京中医药大学第一临床医学院、南京中医药大学人工智能与信息技术学院、北京交通大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |