《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》
%
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。
图表编号 | XD00222613600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 覃凤婷、杨有龙、仇海全 |
绘制单位 | 西安电子科技大学数学与统计学院、西安电子科技大学数学与统计学院、西安电子科技大学数学与统计学院、安徽科技学院信息与网络工程学院 |
更多格式 | 高清、无水印(增值服务) |