《表3 最佳分类模型预测结果 (%)》

  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

《17种分类算法在牛肝菌种类鉴别研究中的应用》

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

Linear Discriminant与Subspace Discriminant对模型数据集进行运算，模型随机选择有代表性的数据进行训练，运算结果可能出现偏差，需要对数据进行多次运算[27-28]。本次研究对菌柄、菌盖、低级数据融合和中级数据融合模型进行10次运算，训练集预测结果混淆矩阵见图3，横坐标表示样品的真实标签，纵坐标表示预测标签。菌柄、菌盖、低级数据融合和中级数据融合最佳分类模型，训练集（83个样品）进行10次运算，平均每次分类正确数分别为77.6，79.3，80.5和82.8，表明中级数据融合模型分类效果最佳。对不同模型进行10次运算，模型样品数为830（10×83）个，柄模型分类效果最差，第1类中10和10个样品被错误分类为第3和7类。第2类中1，1和4个样品，分别被错误分类为第1，5和7类。第3类中25、1和2个样品，分别被错误分类为第1，2和6类。中级数据融合模型分类效果最佳，仅第1类样品中2个样品被错误分类为第7类；不同模型进行10次运算，模型预测集正确率均为100%，全部样品运算结果见表3，菌柄、菌盖、低级数据融合和中级数据融合模型，全部样品分类正确率平均值分别为93.61%，95.54%，96.99%和99.88%。结果表明基于中级数据融合策略，将不同部位FTIR光谱数据进行融合，应用Subspace Discriminant算法，可以将相似度较高的样品区分开，且减少了产地对种类鉴别的影响，是一种快速、准确鉴别不同种类牛肝菌的新方法。