《表6 深度神经网络与其他分类算法准确率对比分析表》

  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

《基于深度神经网络的原发性肝癌证型诊断分类预测模型》

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

在保证模型的稳定性和泛化性的前提下，通过对比分析不同的超参训练下的预测模型的情况，最终确定迭代次数epoch=30，minnibatch=32，为防止过拟合这一现象的出现，本模型参照文献所提出了提前终止测试集、L1和L2正则化加权、soft weight sharing以及dropout等方法，经过不断地调参和尝试，最终使用dropout=0.5，因为此时的dropout的随机生成的网络结构最多，同时也能减少神经元之间复杂的共适应关系来防止过拟合的出现。并采用Adam优化器替换传统随机梯度下降过程，提高模型的收敛速率，因其能基于训练数据迭代地更新深度神经网络的权重，更有利于提高模型分类的准确率和运算速率。在上述这些参数的条件下所得到的深度神经网络预测模型，并根据上文评价指标中的准确率计算公式，计算出每个证型所预测出来准确率的测试结果并与其他分类算法进行对比分析（表6、图4），观察图表不难发现，从模型预测的准确率来看深度神经网络预测模型相较于支持向量机和贝叶斯网络预测模型占据一定优势，尤其在湿热内蕴证、肝郁脾虚证、肝肾阴虚证和脾虚湿困证的模型预测的准确率均在90%以上，可以达到令人满意的分类结果，同时随着数据量的不断增加，深度神经网络的在原发性肝癌证型分类预测模型中的优势就越来越明显。