《表5 不同分类模型的性能比较》

  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

《基于计算机视觉技术的茶叶品质随机森林感官评价方法研究》

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

常见模型性能评价指标有识别率、Kappa系数、OOB误差等。Kappa系数是一种度量分类结果一致性的统计量，是度量分类器性能稳定性的依据，Kappa系数值越大，分类器性能越稳定[15-16]。另外，随机森林算法利用OOB误差估计作为对预测误差的无偏估计，评估模型性能，值越小，说明模型精度越高。比较RF模型和SVM模型的总体识别率、OOB误差和Kappa系数，结果见表5。由表可知，随机森林分级模型的总体识别率为95.75%，Kappa系数为0.933，OOB误差为5%；SVM分级模型的总体识别率为92.25%，Kappa系数为0.867。相比于SVM分级模型，随机森林模型的识别率和Kappa系数分别提高了3.5%，0.066。由此可知，茶叶品质随机森林分级模型的识别精度高，其总体识别率和稳定性能均高于SVM模型的结果。