《表5 KNN、DTR和ANN的超参数》
提示：宽带有限、当前游客访问压缩模式
为了评估本文所提出方法的鲁棒性和准确性，首先建立KNN、DTR和ANN的超参数，如表5所示。
| 图表编号 | XD00223132900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.25 |
| 作者 | 何伟民、孙一迪、姜捷、金良勇、毛和云 |
| 绘制单位 | 国网浙江江山市供电有限公司、国网浙江江山市供电有限公司、国网浙江江山市供电有限公司、国网浙江江山市供电有限公司、国网浙江江山市供电有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表8 KNN、ANN、分级决策树与临床专家的分类结果》2020.10.01
- 《表5 基于蛋黄光谱的预测蛋黄DHA含量的PLS、SVM和BP-ANN模型预测效果》2020.11.15
- 《表5 PEMS与MEXA-7400DTR直采分析仪气体测试对比试验结果》2020.12.18
- 《表3 MEXA-7400DTR部分参数》2020.12.18
- 《表5 参数及结果统计：大型自由曲面光学器件的超精密抛光方法》2021.02.01
- 《表1 优化模型参数：基于多源数据和模型融合的超短期母线负荷预测方法》2021.01.05
- 《表3 部分常见毒品的DTR及其参数》2020.07.15
- 《表2 各死因和亚组人群MYD及DTR归因YLLsR》2020.07.25
- 《表4 冷季各死因和亚组人群DTR的AF》2020.07.25
- 《表7 KNN的网格搜索调参期间的超参》2020.06.28
- 《表5 基于不同表征的机器学习算法（KNN、SVM和Logistic等）训练验证对比》2020.08.28
- 《表5 未加权的超矩阵W：基于DEMATEL和ANP的航班延误下机场风险评估》2020.09.01
- 《表1 仿真参数：基于平均场博弈的超密集网络边缘缓存和删除分配研究》2020.04.01
- 《表2 随机森林算法和XGBoost算法的超参数搜索空间》2020.04.01
- 《表1 1D CNN和RF模型的超参数》2020.02.01
- 《表5 ANN对贯穿损伤试件S2#和S3#进行预测的结果》2019.11.01
- 《表2 SVR和XGBoost的超参数设置》2019.07.15
- 《表2 训练RVM模型的超参数和迭代次数》2019.07.10
- 《表5 ANN模型拟合度评价Tab.5 ANN model fitting evaluation》2018.09.01
- 《表2 GA-ANN和ANN预测模型误差指标》2018.12.15