《表5 实验结果对比：SL-SMOTE和CS-RVM结合的电子设备故障检测方法》

  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

《SL-SMOTE和CS-RVM结合的电子设备故障检测方法》

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

为分析损失代价对分类结果的影响，分别采用CS-RVM和SL-SMOTE+CS-RVM方法对上述四个数据集进行分类实验。实验中，表1中的少数类错分代价cFN在[0.1，1 000]区间中随机取值，两类样本的分类结果也随之变化，根据不同代价cFN的分类结果，两种方法对四个数据集分类结果的ROC曲线如图2所示。可以看出:（1）随着误分类代价cFN不断变大，实验结果的真阳性率和假阳性率不断上升，即少数类的分类正确率变高，多数类的分类正确率下降；（2）四组实验中，SL-SMOTE+CS-RVM方法分类结果的AUC面积均大于CS-RVM方法的AUC面积，说明了SL-SMOTE算法同样能够提高代价敏感分类器对不平衡数据的分类性能，表5给出了两种方法在四组数据分类实验中的AUC大小。