《表2 不同分类器的训练集预测结果 (%)》

  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

柄和盖FTIR光谱预处理后，分别建立柄和盖的独立决策模型。将归一化后柄和盖FTIR光谱数据串联，得到新的数据集进行模型训练，建立低级数据融合模型。柄和盖FT-IR光谱数据进行PLS-DA降维，筛选特征值大于1的前几个主成分，分别提取柄和盖模型的前16与前18个主成分得分进行融合，建立中级数据融合模型。不同模型的数据集采用Kennard-Stone算法，选择83个样品作为训练集，其余40个样品为预测集，Complex Tree，Medium Tree，Simple Tree，Linear Discriminant，Linear SVM，Quadratic SVM，Cubic SVM，Fine Gaussian SVM，Medium Gaussian SVM，Fine KNN，Medium KNN，Cosine KNN，Cubic KNN，Weighted KNN，Bagged Trees，Subspace Discriminant和Subspace KNN算法进行模型训练，比较训练集正确率（表2），确定不同模型的最佳分类算法。结果显示，菌柄、菌盖和低级数据融合模型最佳分类算法均为Linear Discriminant，训练集正确率分别为92.8%，96.4%和97.6%。中级数据融合模型为Subspace Discriminant，训练集正确率为100%。表明Linear Discriminant与Subspace Discriminant算法能改善模型分类效果。