《表1 不同分类器构造分类模型的性能对比》

  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

《心理测试中掩饰行为的识别研究》

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

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。