《表2 不同降维方法的F1分数》

  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

《结合降维与LBP特征的癌细胞识别研究》

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

准确率、精确率（P）、召回率（R）是评价神经网络算法性能的三个重要参数，前文已对准确率进行了相关分析，下面将就精确率与召回率进行讨论。通常，高精确率、高召回率的网络性能更加优越，但是有时这两个指标是相互矛盾的，因此需要综合考虑。一般采用的方法是‘F measure’，公式表示为，其结果越接近1表示网络性能更加优越。文章采用典型方法F1进行评价，即α=1时，，其计算结果如表2所示。从表2中不难得出，SNE方法数据规模为2×252时F1分数最高，达到了0.77，但其不同数据规模下算法稳定性低于LLE方法。综合考虑准确率、算法稳定性以及F1分数可知，数据规模为5×252采用降维方法LLE时，BP神经网络表现出了对于乳腺癌细胞最佳的识别结果，准确率达到了89.61%。