《表4 F-value和G-mean性能比较》

  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

《基于样本重采样的电路非平衡数据预处理方法》

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

将RBCCS算法与原始数据直接分类（未处理）、SMOTE算法、RU-SMOTE算法[24]和BMS算法[24]进行对比实验，分类器均采用ELM。SMOTE算法中采样倍率Nsample取不平衡比IR的0.5倍并取整Nsample=[0.5IR]，最近邻阈值取K=3 Nsample。RU-SMOTE算法中随机欠采样量与SMOTE过采样量相等Ndown=Nup。BMS算法中k-距离值取样本总数的1/2，变异系数阈值根据变异系数排序后的数值取突变点处的值，突变点通过寻找相邻样本变异系数差值最大处来确定。RBCCS算法中，重复训练次数T=20，近邻值取。为消除随机因素的影响，取50次实验的结果，每次实验前随机生成训练集和测试集，比例为4∶1。计算F-value和G-mean的统计平均值，将最大值加粗表示；计算实验结果的标准差，将最小值加粗表示。结果如表4所示。