《表1 不同特征选择算法得到的分类器的分类性能》
为了去除原始特征集中的不相关和冗余特征,本研究采用特征排序联合前向选择方法进行特征筛选,即将ReliefF,Mutinffs[28],Ecfs[29],Fisher[30],L0[31],SVM-RFE[31]分别与前向选择(Forward Selection)结合进行实验,结果如表1所列。比较各个方法训练得到的分类器的预测性能估计可知,基于ReliefF的前向选择算法得到特征子集训练的分类器的分类性能最好,其AUC、准确率、敏感性和特异性均在80%以上。因此,本研究选择基于ReliefF的前向选择算法作为特征选择方法。
图表编号 | XD0035521900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.15 |
作者 | 刘平平、张文华、卢振泰、陈韬、李国新 |
绘制单位 | 南方医科大学医学图像处理重点实验室、南方医科大学医学图像处理重点实验室、南方医科大学医学图像处理重点实验室、南方医科大学南方医院普外科广东省微创外科工程中心、南方医科大学南方医院普外科广东省微创外科工程中心 |
更多格式 | 高清、无水印(增值服务) |