《表3 不同智能识别模型的性能对比结果》

  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

《基于RU-SMOTE-SVM的高新技术企业利润操纵行为识别研究——来自成都的经验证据》

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

其次，为验证RBF核函数下的RU-SMOTE-SVM模型良好的识别结果，本文进一步与SVM、RU-SVM和SMOTE-SVM模型进行了性能对比实验，结果如表3和图2所示。从表3和图2可以发现，与SVM相比，加入了不平衡样本处理方法的模型，即RU-SMOTE-SVM、RU-SVM和SMOTE-SVM的预测准确率都更高，且一类错误与二类错误都更低，表明不平衡样本处理方法能够有效解决SVM的不平衡样本问题。进一步，对比不同的不平衡样本处理技术可以发现，RU与SMOTE相结合的RU-SMOTE技术比单独的RU和SMOTE具有更高的准确率和更低的一类错误和二类错误，表明RU-SMOTE能够最为有效提升SVM的识别性能。