《表3 各种模型预测的最优配置对比 (vips) Table 3 Predicted optimal configurations of different models (vips)》

  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

《基于半监督集成学习的多核设计空间探索》

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

通常来说，除非将整个设计空间中的配置都模拟了，才能找到最优的配置，但这是不可行的。一个折中方案是对比由SSLBoost模型预测出的最优配置和由现有设计空间探索方法ANN和SVM预测的最优配置相对比。具体来讲，从整个设计空间中随机采样3 000个配置，然后利用这3种方法来预测这3 000个配置的性能响应，从而寻找到其中的最优配置。最后模拟3种方法找到的最优配置，并直接比较其真实的模拟性能响应。以基准程序vips为例，表3展示了SSLBoost模型和其他2种模型预测的最优配置以及预测精度（RMAE）。这里ANN、SVM的训练样本集和SSLBoost模型的初始训练集大小都为200，测试样本集合大小为2 000。从表3可以看出，与其他2种方法相比，SSLBoost模型寻找的最优配置的性能最好，并且，SSLBoost模型对该配置预测的性能响应非常接近这个配置的真实模拟性能，仅仅3.5%的预测误差。而其他2个方法得到的最优配置性能都较低，且预测精度也较低（误差为12.9%、23.8%）。因此，在探索更优配置方面，SSLBoost模型无论在准确性和还是有效性上都优于ANN和SVM。