《表7 3种算法精度比较：基于稀疏子空间的局部异常值检测算法》

  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

《基于稀疏子空间的局部异常值检测算法》

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

%

UCI数据集：在3个真实的数据集上实现SSLOD算法，这些数据集是高度类不平衡的，一般应用在数据分类和其他机器学习算法中，数据集中的少数类认为是异常值，多数类是正常值。另外，在实验之前还对数据进行了清洗以便处理分类属性和缺失数据。表6给出了UCI真实数据集的基本信息。对于这3个不同的数据集均将参数φ设置为7，稀疏系数阈值θ可根据仿真数据集的分析结果选择，建议在[-1.5，-0.5]之间选择，其余参数的设定已在相关章节给出。将算法SSLOD的精度和效率与遗传算法和标准粒子群算法进行了对比。观察表7，在相同的数据集下，提出的算法SSLOD算法的精度均高于其余两种算法，特别是对于数据集Interne Usage Data，SSLOD的精度比遗传算法的精度提高了13.07%。由图3中可以看出，SSLOD的效率在不同的数据集上均高于其余两种算法。这是因为SSLOD算法在搜索稀疏子空间之前先用算法1和2约简了原始数据集维度和对象，然后用算法3对标准粒子群算法惯性权重随机化，对其学习因子异步化，使搜索算法不易陷入局部最优，同时又可以快速收敛到全局最优。与标准粒子群算法相比，进一步提高了算法效率。与遗传算法相比，不需要进行交叉变异等遗传操作，降低了计算复杂度，提高了算法效率。