《表1 不同分类器构造分类模型的性能对比》
同时,分类器的选择也是影响分类性能的重要因素。为验证分类器的选择对最终分类模型性能的影响,基于六种特征组合,通过多种分类算法包含SVM、稀疏堆栈自编码器(SSAE)、随机森林(RF)训练分类模型,并通过测试集测试分类模型性能。实验结果如表1所示,加粗字体代表各分类器所能取得的最佳分类性能。对于不同的分类器,最优特征组合也不同,如对应于SVM的最优特征组为LZC+SE+FE+PE,而对应于SSAE的最优特征组合为FE。此外,SVM、SSAE、RF及RKELM所能取得的最佳分类准确率分别为77.6%,76.6%,59.7%及82.9%,由此可见RKELM在所有分类器中性能最优。
图表编号 | XD00222622200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.15 |
作者 | 赵童、黄钲、王秀超、李淼、张昀、郑秀娟、刘凯 |
绘制单位 | 四川大学电气工程学院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院大学计算机与控制学院、中国人民解放军空军军医大学军事医学心理学系、四川大学电气工程学院、西安交通大学电子与信息工程学院、四川大学电气工程学院、四川大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |