《表4 测试时间对比：一种邻域自适应半监督局部Fisher判别分析算法》

  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

《一种邻域自适应半监督局部Fisher判别分析算法》

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

根据测试结果可知，由于未经维数约简的原始数据特征集中含有较多的冗余信息，所以大部分数据集降维前的识别率低于降维后的识别率。PCA具备较好的稳定性，但其属于线性降维方法，忽略了样本数据的非线性结构，而LFDA在有类别标签样本不足时可能陷入过学习，因此PCA和LFDA的识别准确率几乎都低于SELF算法。由于SELF选取全局统一的邻域参数，所以SELF的识别准确率和稳定性相对于NA-SELF（欧氏距离）较低，而文中所提算法采用的相似性度量方法能够更充分反映样本间的相似性，所以识别准确率在五个数据集中有三个达到最优，且在所有数据集的识别率平均值上也达到了最优。为了比较NA-SELF算法与原始SELF算法的时间复杂度，表4列出了两种算法的平均测试时间，以及改进算法相对于原始算法测试时间增长的百分比。