《表4 各模型作四折交叉验证的各类平均召回率》
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。
图表编号 | XD00212756500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.05 |
作者 | 温坤哲、韦玉科 |
绘制单位 | 广东工业大学计算机学院、广东工业大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |