《表3 不同优化参数下的10折交叉验证F1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

《基于分层支持向量机的微博用户自杀倾向预测与分析》

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

如表3所示，参数优化对本文实验研究起了重要的作用。针对不平衡的微博数据，对于参数优化问题可分层进行。在每层利用网格搜索，逐步为模型找到最佳参数。在该实验中，为降低计算难度，本文将优化分为2步:1)使用默认参数C，利用网格搜索得到最佳γ值；2)用第1步中的最佳γ值，利用网格搜索得到最佳C值。每个步骤的验证结果见表3，其中最后一列显示了对SVM模型最终优化后的评估结果。与使用默认参数的情况相比，“精神疾病”和“自杀”类别下的F1值显著提高了12.93%和3.13%，而其他类别提高较少。对于该实验结果，可以从以下几方面进行解释:1)收集的数据数量仍然有限；2)本文所使用的情感词典可能更注重自杀风险，而不是愤怒状态；3)不平衡数据使得权重分配不够精确。