《表2 不同算法在各数据集上的精度比较 (集成规模=10) Table 2 Accuracy values of the different algorithms on datasets (ensem

  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

《基于粗糙集的决策树集成学习算法》

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

当集成的规模设置为10个，即DTELARS是从10个训练决策树中进行选择和集成，Bagging和Boosting是分别训练和使用10个决策树进行集成，不同算法得到的分类精度如表2所示。表2最后一列为DTELARS集成中决策树的平均数目，表中的avg表示在全部数据集上分类精度的平均值。如表2所示，DTELARS得到的平均分类精度为87.43%，比仅使用一个决策树进行分类的平均精度高出3.48%，比Bagging高出1.92%，比Boosting高出1.40%，DTELARS在所有数据集上的平均分类精度均超过其它的算法。由DTELARS创建的集成中所使用的决策树数目仅是Bagging和Boosting使用数目的54%（5.4/10.0）。