《表5 SVM和CART的模型性能度量》

  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CART决策树的冲压成形仿真数据挖掘》

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

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.