《表4 各模型作四折交叉验证的各类平均召回率》

  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

《基于深度卷积神经网络的舌体胖瘦精细分类》

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

由于本文数据集太少，没有设置验证集，但为了能更充分地利用数据集来有效地验证网络模型的性能，本文分别构建了四组K-CNN（a）、K-CNN(b）、Alex Net[9]、VGG16[10]、K-CNN模型，将数据集以四折交叉验证的需求分为训练集和测试集，分别对四组模型分别进行训练和测试，并将四组K-CNN(a）、K-CNN(b）、Alex Net、VGG16、K-CNN模型的各项测试指标取平均作为相应模型的最终指标结果，以此实现了对K-CNN(a）、K-CNN(b）、Alex Net、VGG16、K-CNN的四折交叉验证。其测试后的总体分类准确率如表2所示，在表2中，序号(1）表示以第1份数据作为测试集，其他作为训练集，序号（2）表示以第2份数据作为测试集，其他作为训练集，序号（3）表示以第3份数据作为测试集，其他作为训练集，序号（4）表示以第4份数据作为测试集，其他作为训练集。K-CNN四折交叉验证平均总体分类准确率（accuracy）为32.45%，较K-CNN(a）、K-CNN(b）、Alex Net和VGG16分别提高了1.53%、0.61%、7.56%和7.36%。表3为各模型作四折交叉验证的各类平均分类精确率，表4为各模型作四折交叉验证的各类平均召回率，表5为各模型作四折交叉验证的各类平均F1分数。