《表4 测试集-D模型评价指标》
针对本研究中的多分类问题,在计算某一类的评价指标时可将其余类均视为反例,由此得到测试集-D的评价指标值(表4)和精确率(P)混淆矩阵(图8)。可以看到,即使在不平衡训练集-D的模型训练下,测试集-D的精确率和召回率都较高,对IF3、RF3、OF3这3类数据量较小的样本也可得到较高的精确率、召回率以及F1值,说明卷积神经网络模型不仅对均衡样本有着很好的分类识别性能,对不均衡样本也能得到较为理想的分类效果,也验证了引入weighted-softmax-loss和正则项对模型泛化性能的提升效果,从而客观地评估了模型的性能。
图表编号 | XD0030840000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 冯新扬、张巧荣、李庆勇 |
绘制单位 | 河南财经政法大学计算机与信息工程学院、河南财经政法大学计算机与信息工程学院、河南财经政法大学计算机与信息工程学院、山东大学青岛校区公共(创新)实验教学中心、山东大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |