《表5 SVM和CART的模型性能度量》
图7~8中,SVM和CART方法对降维后的数据全集进行初步建模,对应成形质量较佳、一般和破裂三个水平的good、general和bad的试验样本点聚类划分,但是表5看出两种模型的准确率和召回率都相对较低.同时相对于CART决策树分类算法,SVM分类曲线需要复杂的数学表达式建立非线性模型,而且不能直观地提取工艺规则,只能得出产品的成形较佳、一般和破裂的分类区域(红色部分表示成形质量预测结果为general的区域,白色部分表示预测结果为good的区域,绿色部分预测结果为bad的区域),而采用CART决策树的方法可以在实现分类的基础上,进一步能提取工艺规则.数据全集初步建立的模型并不能检验该模型好坏,需要对数据全集划分为训练集和测试集,并对最小叶节点数进行调整,简化决策树.
图表编号 | XD002839100 严禁用于非法目的 |
---|---|
绘制时间 | 2018.11.01 |
作者 | 王伟、黄宇星、余鸿敏 |
绘制单位 | 福州大学机械工程及自动化学院、福建省高端装备制造协同创新中心、福州大学机械工程及自动化学院、福州大学机械工程及自动化学院 |
更多格式 | 高清、无水印(增值服务) |