《表2 不同降维方法的F1分数》
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%。
图表编号 | XD0028783700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 马尚洋、王劲松、王金玉、杜凯、尹韶云 |
绘制单位 | 长春理工大学光电工程学院、中国科学院重庆绿色智能技术研究院集成光电技术研究中心、长春理工大学光电工程学院、中国科学院重庆绿色智能技术研究院集成光电技术研究中心、中国科学院重庆绿色智能技术研究院集成光电技术研究中心、中国科学院重庆绿色智能技术研究院集成光电技术研究中心 |
更多格式 | 高清、无水印(增值服务) |