《表3 test_size=0.3时四种模型在测试集上的性能对比》
通过表2、表3,表4中的对比结果可知,四种模型在不同的训练集和测试集比例划分下,基于XGBoost的乳腺癌预测模型的准确率、特异性两个指标均优于其他三个预测模型,仅在当测试集占比20%(test_size=0.2)时,基于XGBoost的乳腺癌预测模型的灵敏度相较于AR-SVM、SVM两个模型较低,但是当test_size=0.3和test_size=0.5时基于AR-SVM和SVM的模型的灵敏度下降得极快,而基于XGBoost的预测模型的灵敏度均不低于95%。当测试集占比从20%(test_size=20%)增加到30%(test_size=0.3)再到50%(test_size=0.5)的过程,中基于MR-SVM的预测模型的灵敏度从89.59%降低到83.91%,再降低至75.74%,基于AR-SVM的预测模型的灵敏度从99.01%降低到76.87%,最后降至61.74%,而基于SVM的预测模型则从98.62%降低到79.35%,再到最后的68.85%,由此可以看出基于XGBoost的乳腺癌预测模型相较于其他三个模型具有更好的泛化能力。
图表编号 | XD0039095100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 沈倩倩、邵峰晶、孙仁诚 |
绘制单位 | 青岛大学计算机科学技术学院、青岛大学计算机科学技术学院、青岛大学计算机科学技术学院 |
更多格式 | 高清、无水印(增值服务) |